软计算原理与实现

目录

第1章 绪论 1
1．1 数据挖掘概述 1
1．1．1 数据挖掘的发展状况 1
1．1．2 数据挖掘的概念 2
1．1．3 数据挖掘技术概述 5
1．1．4 数据挖掘方法比较 9
1．1．5 数据挖掘面临的问题 10
1．2 数据挖掘中的软计算技术概述 11
1．2．1 软计算的发展状况 12
1．2．2 KDD中的软计算技术简介 13
1．3 基于WWW的数据挖掘与文本挖掘 19
1．3．1 基于WWW的数据挖掘 19
1．3．2 自然语言处理与文本挖掘 20
1．4 研究现状与发展趋势 21
参考文献 23
第2章 基于智能Agent的知识发现模型研究与设计 27
2．1 知识发现模型概述 27
2．1．1 面向过程的KDD模型 28
2．1．2 面向用户的KDD模型 30
2．1．3 面向知识的KDD模型 31
2．2 基于Agent技术的智能数据挖掘系统模型的总体结构 32
2．2．1 Multi-Agent技术的特性 32
2．2．2 智能数据挖掘系统模型的总体结构 34
2．2．3 数据挖掘Agent功能描述 35
2．2．4 数据预处理Agent功能描述 36
2．2．5 人机界面Agent功能描述 37
2．2．6 决策Agent功能描述 38
2．3 知识发现过程实例分析 39
2．3．1 实例背景 39
2．3．2 数据预处理 40
2．3．3 特征选择 43
2．4 研究现状与发展趋势 47
2．5 本章小结 48
参考文献 49
第3章 基于软计算的知识表示方法研究 51
3．1 知识表示概述 51
3．1．1 一阶谓词逻辑表示法 52
3．1．2 关系表示法 53
3．1．3 产生式规则表示法 53
3．1．4 框架表示法 54
3．1．5 语义网络表示法 55
3．1．6 面向对象表示法 56
3．1．7 知识表达式 56
3．1．8 模糊知识表示方法 58
3．2 基于粗糙集的不确定知识表示方法 61
3．2．1 知识、划分与等价关系 61
3．2．2 信息表、不可分辨关系和基本集 61
3．2．3 粗糙集的下近似、上近似及边界区 62
3．2．4 知识表示特征集模型 62
3．2．5 讨论 64
3．3 基于粗糙熵的知识表示方法 64
3．3．1 信息理论的度量和粗糙集 64
3．3．2 知识的粗糙性 65
3．3．3 粗糙熵 65
3．4 知识的对象模糊语义网络表示法 65
3．5 几种知识表示方法的比较 66
3．6 研究现状与发展趋势 67
3．7 本章小结 68
参考文献 71
第4章 数据挖掘中的小波神经网络方法研究 73
4．1 引言 73
4．2 神经网络发展及基础概述 73
4．2．1 MP模型 74
4．2．2 感知器学习算法 75
4．2．3 BP网络算法 75
4．3 基于禁忌搜索算法的小波神经网络设计 77
4．3．1 禁忌搜索 77
4．3．2 小波分析基础 82
4．3．3 小波变换实例 84
4．3．4 小波神经网络 86
4．3．5 网络设计算法 86
4．3．6 实验结果及结论 87
4．4 基于小波神经网络的模型预测研究 88
4．4．1 Harr基小波 88
4．4．2 Harr基小波神经网络 89
4．4．3 预测模型 90
4．5 BP神经网络 91
4．5．1 算法实现 91
4．5．2 运行实例 94
4．6 神经网络在数据挖掘中的应用 94
4．6．1 神经网络在可视化中的应用 94
4．6．2 神经网络在分类中的应用 96
4．6．3 实验结果及分析 98
4．7 研究现状与发展趋势 99
4．8 本章小结 100
参考文献 100
第5章 基于用户需求模型的中英文WWW搜索引擎 104
5．1 WWW概述 104
5．1．1 搜索引擎技术 105
5．1．2 WWW中的术语、协议及相关技术 106
5．2 中英文WWW搜索引擎的结构 109
5．2．1 数据收集、处理子系统 110
5．2．2 用户查询子系统 111
5．2．3 分类管理子系统 112
5．3 基于示例的用户信息需求模型的获取和表示 113
5．3．1 文本类别特征的抽取方式 114
5．3．2 文本的分类判别与文本特征权重 115
5．3．3 Fisher判别 116
5．3．4 用户信息需求模型的表示 119
5．3．5 实验结果及分析 119
5．4 研究现状与发展趋势 120
5．5 本章小结 121
参考文献 121
第6章 基于Web的文本挖掘技术研究 123
6．1 文本挖掘概述 123
6．1．1 文本挖掘的应用 124
6．1．2 文本处理的基本模型 125
6．1．3 文本挖掘的流程 128
6．2 文本挖掘基本技术 128
6．2．1 文本特征抽取 128
6．2．2 文本分类 132
6．2．3 文本聚类 133
6．2．4 DBSCAN聚类 134
6．3 中文文本挖掘模型 137
6．3．1 文本特征的提取 137
6．3．2 重心向量与文本聚类 139
6．3．3 文本自动摘要技术 140
6．3．4 文本可视化表示 141
6．4 研究现状与发展趋势 143
6．5 本章小结 144
参考文献 145
第7章 聚类分析与应用 147
7．1 聚类的基本概念 147
7．1．1 聚类的定义 147
7．1．2 聚类算法的分类 148
7．1．3 数据挖掘中聚类算法的比较标准 148
7．2 常用聚类算法介绍与分析 149
7．2．1 基于划分的聚类算法 149
7．2．2 基于层次的聚类算法 151
7．2．3 基于密度的聚类算法 152
7．2．4 基于网格的聚类算法 153
7．2．5 基于模型的聚类算法[3] 154
7．3 聚类算法比较 155
7．4 聚类算法k-means的改进 155
7．4．1 聚类算法中的数据类型 155
7．4．2 相异度的计算 156
7．4．3 聚类准则 157
7．4．4 原始的k-means算法 157
7．4．5 改进的k-means算法 161
7．5 研究现状与发展趋势 166
7．6 本章小结 166
参考文献 167
第8章 软计算中的算法及其应用 169
8．1 分类概述 169
8．2 决策树 169
8．2．1 决策树的概念 170
8．2．2 决策树的研究方向 171
8．2．3 决策树分析 171
8．2．4 决策树算法 173
8．3 分类的应用 184
8．3．1 基于支持向量机的印刷故障分类 184
8．3．2 票据印刷过程中的数码检测 190
8．4 遗传算法 192
8．4．1 算法实现 192
8．4．2 算法运行 198
8．5 研究现状与发展趋势 199
8．6 本章小结 200
参考文献 200