数据挖掘理论、方法与应用

第1章 绪论

1.1 研究背景

1.2 数据挖掘的基本数学问题

1.2.1 相关概念

1.2.2 统计学习的一般模型

1.3 数据的变换

参考文献

第2章 神经网络挖掘理论

2.1 神经智能

2.2 生物神经元和人工神经元

2.2.1 生物神经元

2.2.2 人工神经元

2.2.3 建立数学模型

2.2.4 单层与多层网络结构

2.2.5 网络学习方式

2.2.6 经典学习规则

2.3 LMS和SDA方法

2.3.1 平均平方误差函数

2.3.2 LMS和SDA算法

2.4 后向传播算法

2.4.1 概况

2.4.2 多层网络BP算法

参考文献

第3章 基于支持向量的挖掘理论

3.1 支持向量与分类超平面

3.1.1 一维情形

3.1.2 二维情形

3.1.3 三维情形

3.1.4 n维情形（ ）

3.1.5 核函数（内积回旋）思想

3.1.6 核函数定义

3.2 风险控制策略

3.2.1 VC维概念

3.2.2 经验风险最小化原则

3.2.3 结构风险最小化原则

3.3 样本被错分的讨论

3.3.1 最大间隔分类超平面

3.3.2 数据被错分的条件

3.4 最优化策略

3.5 分类与回归

3.5.1 分类算法

3.5.2 回归算法

3.5.3 解的全局最优讨论

3.6 几种经典算法描述

3.6.1 分解算法

3.6.2 分块算法

3.6.3 序贯最小化算法

3.6.4 核函数构造算法

参考文献

第4章 隐马尔可夫挖掘理论

4.1 马尔可夫思想

4.2 隐马尔可夫链

4.3 隐马尔可夫模型

4.3.1 隐马尔可夫模型定义

4.3.2 三个基本算法

参考文献

第5章 新型支持向量诱导回归模型及应用

5.1 新型支持向量诱导回归模型

5.1.1 不敏感损失函数

5.1.2 系统模型

5.2 时间序列分析的相空间重构

5.2.1 相空间重构

5.2.2 性能评价指标

5.2.3 重构模式的近似算法

5.3 预测置信度估计

5.4 实验结果

5.4.1 参数的确定

5.4.2 预测指数分析

5.4.3 预测结果

5.4.4 SVM和传统神经网络的比较

5.4.5 讨论

参考文献

第6章 基于快速训练算法的HMM/SVM混合系统

6.1 L值定义

6.2 快速训练算法和HMM/SVM混合过滤模型

6.2.1 基于HMM的快速训练算法

6.2.2 HMM/SVM的双层混合系统模型

6.3 实验结果

6.3.1 数据的获取及序列的编码

6.3.2 DNA的两类和多类分类识别

6.3.3 讨论

参考文献

第7章 分解向前算法及PCA/ICA降维SVM模型

7.1 主成分分析（PCA）的数学模型

7.2 独立成分分析（ICA）的数学模型

7.3 分解向前支持向量机

7.3.1 三个距离区域

7.3.2 分解向前算法

7.3.3 DFSVM算法复杂度分析

7.3.4 PCA-DFSVM及ICA-DFSVM降维模型

7.4 实验结果

7.4.1 SCOP数据库

7.4.2 实验1

7.4.3 实验2

7.4.4 各项实验指标比较

7.4.5 讨论

参考文献

第8章 不对称支持向量机改进算法及应用

8.1 不对称支持向量机

8.1.1 样本的不对称性

8.1.2 不对称支持向量机算法

8.1.3 不对称SVM分类迭代模型

8.2 几种多分类问题的算法复杂度估计

8.3 实验结果

8.3.1 实验1

8.3.2 实验2

8.3.3 MISVM和标准SVM实验指标比较

参考文献

第9章 基于隐马尔可夫模型的多重序列分析

9.1 研究背景

9.2 多重序列比对

9.2.1 多重序列比对的描述

9.2.2 特征序列

9.3 隐马尔可夫模型的序列描述

9.4 建立多重序列隐马尔可夫轮廓图

9.5 实验结果和讨论

9.5.1 Pfam数据库简介

9.5.2 建立隐马尔可夫模型

9.5.3 检验HMMS模型

9.5.4 用HMMS进行蛋白质家族的模式分类

9.6 关于模型的局限性讨论

参考文献

第10章 一类基于SVM/RBF的气象模型预测系统

10.1 支持向量机回归模型

10.1.1 回归支持向量机

10.1.2 模型中几个重要参数分析

10.2 温度序列数据分析

10.3 决策函数的确定

10.4 预测结果分析

10.5 结论

参考文献

《数据挖掘理论、方法与应用》共分10章。第1章介绍了数据挖掘方法的历史，主要是人工神经网络与支持向量机的产生背景，另外讨论了统计学习的一般模型，这是通过数据挖掘建立数学模型的基础，本章还介绍了常用的数据预处理变换方法。第2、3、4章介绍了3种数据挖掘模型：人工神经网络、支持向量机和隐马尔可夫模型。站在独特的角度，用形象生动和朴实易懂的语言分析了3种数据挖掘方法的思想、原理、理论。第5章介绍了一种新型支持向量诱导回归模型，第6章介绍了一种基于快速训练算法的HMM／SVM混合系统，第7章介绍了分解向前算法及PCA／ICA降维SVM模型，第8章介绍了不对称支持向量机改进算法，第9章介绍了一种基于隐马尔可夫模型的多重序列分析方法，第10章介绍了一类基于SVM／RBF的气象模型预测系统。　　《数据挖掘理论、方法与应用》内容丰富，可供理工科中应用数学、计算机科学，计算生物学，统计学等相关专业具有一定数学背景并对数据挖掘方法有兴趣的高校教师、研究生使用，也可供从事机器学习与模式识别的相关领域研究的科研人员和数据挖掘工作者参考。

《数据挖掘理论、方法与应用》是站在数据挖掘的独特角度对神经网络、支持向量机和隐马尔可夫理论这三个重要的理论与方法进行重新剖析，并进行方法论基础上的应用，通过讲故事似的生动而系统地阐述数据挖掘的本质，来引领读者对数据挖掘的深入理解和应用。