High-dimensional clustering knowledge discovery

第1章 知识发现与KDD
1.1 知识与知识发现
1.1.1 知识
1.1.2 知识发现和KDD
1.1.3 知识发现的过程
1.2 数据库知识发现——KDD
1.2.1 KDD的产生与发展
1.2.2 KDD的一般机理和理论基础
1.2.3 KDD系统的基本框架
1.2.4 KDD的主要任务

第2章 聚类知识发现及其关键技术
2.1 聚类问题的主要方法
2.2 聚类问题的关键技术
2.2.1 数据仓库技术
2.2.2 高维聚类技术
2.3 高维聚类关键技术研究
2.3.1 高维聚类的主要算法
2.3.2 高维聚类算法的关键技术

第3章 高维数据相似性的定义
3.1 数据相似关系
3.1.1 基于距离的相似性定义
3.1.2 基于密度的相似性定义
3.1.3 基于连接的相似性定义
3.2 高维数据相似关系的定义
3.3 二元数据相似性的定义
3.3.1 属性分布特征向量
3.3.2 对象间属性分布相似性
3.4 小结

第4章 基于粗图模型的聚类算法
4.1 图论基础概念
4.2 基于图论的聚类算法
4.2.1 聚集型图论聚类
4.2.2 多层粗图法
4.2.3 基于二部图的方法
4.3 图划分的关键技术
4.3.1 图的多层二分划（Multilevel Graph Bisection）
4.3.2 增强谱分割算法
4.3.3 图的非平衡划分技术
4.4 多层粗图聚类算法的改进
4.4.1 聚类算法
4.4.2 图分割的精化算法
4.4.3 聚类质量评价
4.4.4 实验结果
4.4.5 算法评价
4.5 基于粗图模型的软聚类方法
4.5.1 引言
4.5.2 软聚类算法
4.5.3 基于图划分法的软聚类GPSC算法
4.5.4 实验分析
4.5.5 软聚类方法的评价
4.6 小结

第5章 高维二元数据的映射聚类算法
5.1 引言
5.2 二元数据
5.3 映射聚类模型
5.3.1 伯努利分布（Bernoulli distribution）
5.3.2 有限混合伯努利分布
5.3.3 似然函数
5.3.4 EM算法
5.3.5 伯努利混合模型的EM算法
5.3.6 基于混合模型的映射聚类思想
5.4 映射聚类算法
5.5 实验结果
5.6 小结

第6章 基于蚂蚁行为的聚类方法
6.1 蚂蚁算法综述
6.2 Deneubourg基本模型及LF聚类算法
6.2.1 数据对象表示方法及相似性量度
6.2.2 Deneubourg基本模型
6.2.3 LF聚类算法
6.3 基于密度的启发性群体智能聚类算法——HDBCSI
6.3.1 记忆体
6.3.2 基于密度的先行策略
6.3.3 基于密度的启发性群体智能聚类算法HDBCSI算法描述
6.3.4 算法测试与比较分析
6.3.5 蚂蚁算法评价
6.4 小结

第7章 高维数据空间的离群点检测方法
7.1 概述
7.2 高维空间中的离群点发现
7.3 子空间离群点发现算法综述
7.4 映射离群点发现的思考
7.5 映射离群点发现算法的设计
7.5.1 映射聚类算法
7.5.2 基于熵的属性选择
7.5.3 离散属性中离群点的确定
7.5.4 簇外属性检测
7.6 算法描述及分析
7.7 小结

第8章 高维数据聚类结果的表示
8.1 聚类结果表示方式概述
8.1.1 数据可视化
8.1.2 表达式法
8.2 基于粗糙集理论的知识表示
8.2.1 粗糙集基础理论
8.2.2 属性空间上的rough集理论
8.3 基于粗糙集理论的聚类结果表达
8.3.1 一般聚类知识的表达
8.3.2 高维二元映射聚类结果的粗糙集表示
8.4 小结

第9章 聚类知识发现数据建模及应用
9.1 数据模型的建立
9.1.1 数据仓库的体系结构与建模方法
9.1.2 多维数据模型对分析型应用的支持
9.1.3 数据建模方案
9.2 应用数据准备
9.2.1 数据准备的内容
9.2.2 数据净化的方法
9.2.3 数据的精简
9.3 聚类知识发现的应用——电信市场客户分群
9.3.1 客户聚类分析流程
9.3.2 战术分群与目标市场营销
9.4 小结
参考文献