軟計算原理與實現

李業麗，女，1962.12，教授，博士，主要從事數字噴墨印刷控制技術、按需印刷、圖像處理技術、智能信息處理技術等方面的研究。發表學術論文60餘篇，其中SCI/EI檢索20餘篇，專利4項，出版學術專著2部，教材5部。近幾年主持完成創新團隊研究項目1項、北京印刷學院重點項目3項、橫向課題8項，在研橫向課題2項。

第1章緒論1
1.1數據挖掘概述1
1.1.1數據挖掘的發展狀況1
1.1.2數據挖掘的概念2
1.1.3數據挖掘技術概述5
1.1.4數據挖掘方法比較9
1.1.5數據挖掘面臨的問題10
1.2數據挖掘中的軟計算技術概述11
1.2.1軟計算的發展狀況12
1.2.2 KDD中的軟計算技術簡介13
1.3基於WWW的數據挖掘與文本挖掘19
1.3.1基於WWW的數據挖掘19
1.3.2自然語言處理與文本挖掘20
1.4研究現狀與發展趨勢21
參考文獻23

第2章基於智能Agent的知識發現模型研究與設計27
2.1知識發現模型概述27
2.1.1面向過程的KDD模型28
2.1.2面向用戶的KDD模型30
2.1.3面向知識的KDD模型31
2.2基於Agent技術的智能數據挖掘系統模型的總體結構32
2.2.1 Multi-Agent技術的特性32
2.2.2智能數據挖掘系統模型的總體結構34
2.2.3數據挖掘Agent功能描述35
2.2.4數據預處理Agent功能描述36
2.2.5人機界面Agent功能描述37
2.2.6決策Agent功能描述38
2.3知識發現過程實例分析39
2.3.1實例背景39
2.3.2數據預處理40
2.3.3特徵選擇43
2.4研究現狀與發展趨勢47
2.5本章小結48
參考文獻49

第3章基於軟計算的知識表示方法研究51
3.1知識表示概述51
3.1.1一階謂詞邏輯表示法52
3.1.2關係表示法53
3.1.3產生式規則表示法53
3.1.4框架表示法54
3.1.5語義網絡表示法55
3.1.6面向對象表示法56
3.1.7知識表達式56
3.1.8模糊知識表示方法58
3.2基於粗糙集的不確定知識表示方法61
3.2.1知識、劃分與等價關係61
3.2.2信息表、不可分辨關係和基本集61
3.2.3粗糙集的下近似、上近似及邊界區62
3.2.4知識表示特徵集模型62
3.2. 5討論64
3.3基於粗糙熵的知識表示方法64
3.3.1信息理論的度量和粗糙集64
3.3.2知識的粗糙性65
3.3.3粗糙熵65
3.4知識的對像模糊語義網絡表示法65
3.5幾種知識表示方法的比較66
3.6研究現狀與發展趨勢67
3.7本章小結68
參考文獻71

第4章數據挖掘中的小波神經網絡方法研究73
4.1引言73
4.2神經網絡發展及基礎概述73
4.2.1 MP模型74
4.2.2感知器學習算法75
4.2.3 BP網絡算法75
4.3基於禁忌搜索算法的小波神經網絡設計77
4.3.1禁忌搜索77
4.3.2小波分析基礎82
4.3.3小波變換實例84
4.3.4小波神經網絡86
4.3.5網絡設計算法86
4.3.6實驗結果及結論87
4.4基於小波神經網絡的模型預測研究88
4.4.1 Harr基小波88
4.4.2 Harr基小波神經網絡89
4.4.3預測模型90
4.5 BP神經網絡91
4.5.1算法實現91
4.5.2運行實例94
4.6神經網絡在數據挖掘中的應用94
4.6.1神經網絡在可視化中的應用94
4.6.2神經網絡在分類中的應用96
4.6.3實驗結果及分析98
4.7研究現狀與發展趨勢99
4.8本章小結100
參考文獻100

第5章基於用戶需求模型的中英文WWW搜索引擎104
5.1 WWW概述104
5.1.1搜索引擎技術105
5.1.2 WWW中的術語、協議及相關技術106
5.2中英文WWW搜索引擎的結構109
5.2.1數據收集、處理子系統110
5.2.2用戶查詢子系統111
5.2.3分類管理子系統112
5.3基於示例的用戶信息需求模型的獲取和表示113
5.3.1文本類別特徵的抽取方式114
5.3.2文本的分類判別與文本特徵權重115
5.3.3 Fisher判別116
5.3.4用戶信息需求模型的表示119
5.3.5實驗結果及分析119
5.4研究現狀與發展趨勢120
5.5本章小結121
參考文獻121

第6章基於Web的文本挖掘技術研究123
6.1文本挖掘概述123
6.1.1文本挖掘的應用124
6.1.2文本處理的基本模型125
6.1.3文本挖掘的流程128
6.2文本挖掘基本技術128
6.2.1文本特徵抽取128
6.2.2文本分類132
6.2.3文本聚類133
6.2.4 DBSCAN聚類134
6.3中文文本挖掘模型137
6.3.1文本特徵的提取137
6.3.2重心向量與文本聚類139
6.3. 3文本自動摘要技術140
6.3.4文本可視化表示141
6.4研究現狀與發展趨勢143
6.5本章小結144
參考文獻145

第7章聚類分析與應用147
7.1聚類的基本概念147
7.1.1聚類的定義147
7.1.2聚類算法的分類148
7.1.3數據挖掘中聚類算法的比較標準148
7.2常用聚類算法介紹與分析149
7.2.1基於劃分的聚類算法149
7.2.2基於層次的聚類算法151
7.2.3基於密度的聚類算法152
7.2.4基於網格的聚類算法153
7.2.5基於模型的聚類算法[3] 154
7.3聚類算法比較155
7.4聚類算法k-means的改進155
7.4.1聚類算法中的數據類型155
7.4.2相異度的計算156
7.4.3聚類準則157
7.4.4原始的k- means算法157
7.4.5改進的k-means算法161
7.5研究現狀與發展趨勢166
7.6本章小結166
參考文獻167

第8章軟計算中的算法及其應用169
8.1分類概述169
8.2決策樹169
8.2.1決策樹的概念170
8.2.2決策樹的研究方向171
8.2.3決策樹分析171
8.2.4決策樹算法173
8.3分類的應用184
8.3.1基於支持向量機的印刷故障分類184
8.3.2票據印刷過程中的數碼檢測190
8.4遺傳算法192
8.4.1算法實現192
8.4.2算法運行198
8.5研究現狀與發展趨勢199
8.6本章小結200
參考文獻200