证据理论

黑白风格的 DS 证据理论，挺适合搞规则合成和冲突的场景。你要是研究像防火墙规则优化、数据挖掘啥的，点进来看看挺值。里面那套合成规则讲得蛮清楚，思路也比较系统。嗯，尤其是你遇到多源信息决策冲突的时候，参考这个真能省不少事。

DS证据理论Matlab代码实现：DS_fusion.m，这是一个简单的D-S证据理论融合代码，经过注释和优化，适用于独立的单一命题。附件包括m文件代码： function x=DS_fusion %功能：融合x,y两行向量% x,y的格式形如[m1 m2 m3, ... , mk, m] %要求m1 m2 m3 ...之间互相无交集% m可不为0，表示不确定度% m肯定是0 [nx,mx]=size; if 1~=nx     disp;     return; end [ny,my]=size; if 1~=ny     disp;     return; end if mx~=my  

D-S证据理论的MATLAB算法已被设计为简单的函数形式，用户只需输入相应参数即可使用。如果需要进一步改进，仅需进行少量修改。

D-S证据理论的MATLAB实现算法已经以函数形式编写，用户只需输入参数即可轻松使用。如果需要改进，仅需进行少量修改。

随着信息通讯技术的飞速发展，各行各业产生了大量数据，促使数据挖掘这门新兴学科的兴起。数据挖掘从海量数据中挖掘出潜在的、先前未知的信息与关联，建立可支持决策的模型与工具，为预测性决策提供支持。在交通领域，大数据应用广泛，如利用手机信令数据分析城市人口与交通出行特征，优化交通规划；利用网约车数据优化路网流量与信号配时方案，提升交通控制效率；多源数据整合实现全面的交通管理与优化。

离散化将连续数据划分区间，用区间标号取代实际值；概念分层用高层概念替代低层属性值，概化数据。通过概念分层，数据细节虽有所损失，但概化后的数据更具意义和可解释性，同时节省存储空间和I/O开销。

这本书是目前国内唯一的中文资源，对学习Kettle的朋友和研究ETL的专家都有很高的参考价值。

想学习理论的人必须先掌握理论，因为理论是实践的基础。

《洞察数据挖掘：理论与实践》是一本适合入门的书，内容挺全面的，涵盖了从数据预到机器学习的各个方面。比如说数据清洗、特征选择，还有一些常用的机器学习算法，像决策树、支持向量机、K-means 聚类都讲得挺清楚的。如果你是做数据或者机器学习的，这本书真的挺实用，尤其是配合里面的光盘，操作起来更直观。书里还了多实用的工具，比如说Weka，用它可以轻松进行数据和建模。，这本书挺适合新手入门的。你可以通过实际的案例来深入理解每个概念，学到的知识不止停留在理论层面。书中的数据集和实例，结合实际操作，能你更好地理解数据挖掘的技巧。关键是，它起来不复杂，虽然涉及的内容多，但都有条理。如果你想把数据挖掘应用到实

在数据库理论中，规范化是一项关键工作。它涵盖了属性集闭包的计算，函数依赖集的应用，以及关系候选码的识别。通过分析属性在函数依赖中的位置，我们可以将属性分为左部、右部、左右两侧及非依赖部分。规范化理论的BCNF（Boyce-Codd Normal Form）标准也是关系数据库设计中的重要基础。