Intelligent data mining and knowledge discovery

目录
第一章 绪论
1．1 数据挖掘概述
1．2 数据挖掘的分类
1．2．1 基于数据库类型的分类
1．2．2 基于所挖掘的知识类型的分类
1．2．3 基于所采用技术的分类
1．2．4 基于数据挖掘方法的分类
1．2．5 基于数据挖掘应用的分类
1．3 数据挖掘研究的公开问题
1．3．1 数据库类型的多样性问题
1．3．2 性能问题
1．3．3 数据不断改变的问题
1．3．4 数据挖掘结果的有用性、确定性和可表示性
1．3．5 挖掘方法和用户交互问题
1．3．6 与数据库的无缝链接
1．3．7 不同技术的集成
1．3．8 私有性与数据挖掘问题
1．4 国内外数据挖掘研究现状
1．4．1 关联规则挖掘
1．4．2 分类挖掘
1．4．3 聚类挖掘
1．4．4 Internet和Web挖掘
1．4．5 数据挖掘的智能计算方法
本章参考文献
第二章 KDD的理论基础
2．1 数学理论Ⅰ
2．1．1 统计学理论
2．1．2 支撑矢量机理论
2．1．3 模糊集理论
2．1．4 粗糙集理论
2．2 数学理论Ⅱ
2．2．1 概率论基础
2．2．2 贝叶斯概率
2．2．3 贝叶斯学习理论
2．3 机器学习理论
2．3．1 归纳学习
2．3．2 决策树
2．3．3 类比学习与基于案例的学习
2．3．4 计算智能
2．4 数据库理论
2．5 可视化理论
本章参考文献
第三章 计算智能方法理论基础
3．1 神经网络
3．1．1 子波神经网络
3．1．2 多尺度几何网络
3．1．3 协同神经网络
3．2 进化计算
3．2．1 进化计算典型算法
3．2．2 量子进化计算
3．2．3 协同进化算法
3．3 免疫克隆计算
3．3．1 人工免疫系统(AIS)
3．3．2 免疫网络
3．3．3 免疫克隆算法
3．3．4 量子免疫克隆计算
本章参考文献
第四章 基于神经网络与进化计算的分类
4．1 神经网络分类
4．1．1 进化神经网络的分类
4．1．2 自适应子波神经网络
4．1．3 方向多分辨脊波网络
4．1．4 协同神经网络分类
4．2 海量数据的组织协同进化分类算法
4．2．1 分类问题与组织学习模型
4．2．2 用于分类的组织
4．2．3 组织适应度函数
4．2．4 组织协同进化分类算法
4．2．5 仿真实验比较研究
4．2．6 算法的实际应用
4．2．7 小结
4．3 基于免疫克隆算法的特征选择
4．3．1 特征选择问题
4．3．2 基于免疫克隆算法的特征选择
4．3．3 实验及结果分析
4．3．4 小结
本章参考文献
第五章 支撑矢量机与核分类
5．1 统计学习理论
5．1．1 学习问题的一般表示及经验风险最小化归纳原则
5．1．2 学习过程的一致性
5．1．3 学习机器推广能力的界
5．1．4 控制学习过程的推广能力
5．1．5 构造学习算法
5．2 支撑矢量机
5．2．1 支撑矢量机分类机理
5．2．2 支撑矢量模糊预选取
5．2．3 模糊多类支撑矢量机
5．2．4 基于遗传算法的SVM模型自动选择
5．2．5 基于支撑矢量机和中心距离比值的视频分类方法
5．2．6 改进的单类支撑矢量机
5．3 子波核匹配追踪学习机
5．3．1 引言
5．3．2 用于回归的核匹配追踪学习机(KMPLM for Recursive)
5．3．3 用于识别的核匹配追踪学习机
5．3．4 子波核匹配追踪学习机
5．3．5 仿真实验
5．3．6 小结
本章参考文献
第六章 集成分类器
6．1 集成学习
6．1．1 集成学习系统的原型及其构造方式
6．1．2 集成学习的系统结构
6．1．3 集成学习方法中的常用组合器
6．2 Boosting概述
6．2．1 Boosting的提出背景及其发展历程
6．2．2 Boosting的各种变种及其与相关领域的联系
6．3 Bagging算法
6．4 基于免疫克隆算法的选择性SVMs集成
6．4．1 引言
6．4．2 SVMs集成
6．4．3 基于免疫克隆算法的SVMs选择性集成
6．4．4 实验结果及其讨论
6．4．5 小结
6．5 核匹配追踪分类器集成
6．5．1 引言
6．5．2 核匹配追踪分类器
6．5．3 核匹配追踪集成分类器
6．5．4 实验结果
6．5．5 小结
本章参考文献
第七章 大规模数据聚类算法
7．1 聚类基础理论
7．1．1 聚类分析的基本概念
7．1．2 聚类分析的数学模型
7．1．3 聚类理论研究进展
7．1．4 经典聚类分析算法
7．1．5 聚类分析算法存在的问题
7．2 免疫进化聚类算法
7．2．1 免疫进化算法
7．2．2 免疫进化算法求解聚类问题
7．2．3 验证实验与结果分析
7．2．4 小结
7．3 基于GA和CSA的混合属性特征大数据集聚类
7．3．1 引言
7．3．2 基于k原型聚类算法的混合型数据聚类
7．3．3 基于遗传算法的混合类型数据聚类算法
7．3．4 基于CSA的混和属性特征大数据集聚类
7．4 基于克隆算法的网络结构聚类算法
7．4．1 引言
7．4．2 基于进化免疫网络的聚类算法
7．4．3 基于克隆选择与禁忌克隆的网络结构聚类算法
7．5 基于有限资源的模糊网络结构聚类新算法
7．5．1 引言
7．5．2 有限资源免疫系统
7．5．3 有限资源的模糊网络结构聚类
7．5．4 实验结果与分析
7．5．5 小结
7．6 量子聚类
7．6．1 问题的提出
7．6．2 量子聚类算法
7．6．3 Schr?dinger势能
7．6．4 二维数据空间的例子
7．6．5 量子聚类应用
7．6．6 基于梯度下降算法的聚类指派
7．6．7 小结
7．7 核聚类算法
7．7．1 核聚类算法
7．7．2 仿真实验
7．7．3 小结
7．8 谱聚类
7．8．1 引言
7．8．2 谱图划分准则
7．8．3 谱聚类算法
7．8．4 谱聚类中亟待解决的问题
本章参考文献
第八章 关联规则挖掘
8．1 关联规则的基本概念
8．2 关联规则的类型及挖掘算法
8．3 基于关系代数理论的关联规则挖掘
8．3．1 基于关系代数理论的关联规则挖掘算法ORAR
8．3．2 基于概念分层的泛化关联规则挖掘算法RGAR
8．3．3 模糊关联规则的挖掘算法
8．4 基于组织进化的关联规则挖掘
8．4．1 基于组织进化的关联规则挖掘算法
8．4．2 仿真实验与结果分析
8．4．3 小结
8．5 基于组织多层次进化的关联规则挖掘
8．5．1 基于组织多层次进化的关联规则挖掘算法
8．5．2 算法的计算复杂度分析
8．5．3 仿真实验与结果分析
8．5．4 小结
8．6 基于组织协同进化的Web日志挖掘
8．6．1 Web日志挖掘数据模型的建立
8．6．2 组织协同进化Web日志挖掘
8．6．3 算法分析
8．6．4 实例仿真
8．6．5 小结
8．7 基于免疫克隆算法的多维数据挖掘
8．7．1 染色体的编码
8．7．2 亲和度函数的构造
8．7．3 基于多克隆选择的多维关联规则挖掘算法步骤
8．7．4 仿真试验与结果分析
8．7．5 小结
8．8 基于免疫克隆选择算法的孤立点挖掘
8．8．1 孤立点挖掘
8．8．2 基于克隆选择算法的孤立点挖掘
8．8．3 实验结果及分析
8．8．4 小结
本章小结
本章参考文献
第九章 数据挖掘应用实例及可视化
9．1 测绘数据挖掘
9．1．1 测绘数据集描述
9．1．2 DEM提取地面坡度的不确定性研究与实验
9．1．3 同一地区不同地形因子对平均坡度的影响研究
9．2 分类挖掘机理与文档分类
9．2．1 分类的形式化定义
9．2．2 基于数据库的分类挖掘机理
9．2．3 虚拟数据库与WEB挖掘
9．2．4 文本分类与降维技术
9．2．5 小结
9．3 基于Petri网的可视化模型
9．3．1 可视化的常用工具
9．3．2 Petri网的基本概念
9．3．3 基于Petri网的鲁棒性的可视化模型
9．3．4 小结
本章参考文献