基于内在认知机理的知识发现理论PDF|Epub|txt|kindle电子书版本网盘下载

基于内在认知机理的知识发现理论PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

引论1

第1章 知识发现系统的理论基础9

1.1知识发现的逻辑基础9

1.1.1因果关系定性推理9

1.1.2广义细胞自动机与广义归纳逻辑因果模型13

1.1.3基于知识发现的因果自动机CAKD17

1.2知识发现的方法论基础37

1.2.1新的知识表示方法38

1.2.2新的预处理方法42

1.3知识发现的认知基础50

1.3.1知识发现的认知心理学基础50

1.3.2知识发现的认知物理学基础53

1.3.3知识发现的认知生物学基础57

第2章 知识发现系统的内在认知机理77

2.1引言77

2.1.1内在认知机理的研究背景77

2.1.2内在认知机理研究的意义——对知识发现主流发展的影响78

2.2双库协同机制81

2.2.1双库协同机制的提出81

2.2.2双库协同机制的内涵82

2.2.3双库协同机制的理论框架83

2.2.4进一步讨论99

2.3双基融合机制104

2.3.1 KDK简介104

2.3.2双基融合机制的内涵105

2.3.3双基融合机制的理论框架105

2.4信息扩张机制110

2.4.1信息扩张机制的内涵110

2.4.2动态挖掘进程中规则参数演化规律111

2.4.3动态挖掘进程中矛盾性知识研究119

2.4.4变论域下阈值综合设置124

2.4.5知识发现中信息熵方法的研究129

2.5免疫进化机制135

2.5.1引言135

2.5.2免疫进化机制的提出136

2.5.3再次应答与免疫构件的设计141

2.5.4基于免疫进化机制的知识发现过程模型142

2.5.5基于免疫进化机制与新过程模型派生出的新算法142

第3章 内在认知机理诱导出的新过程模型155

3.1 KDD*（KDD*？KDD＋双库协同机制）155

3.1.1 KDD*的过程模型155

3.1.2 KDD*—双库协同机制的技术实现156

3.1.3 KDD的特征161

3.1.4 KDD*的多Agent实现163

3.2 KDK*（KDK*？KDK＋双基融合机制）168

3.2.1 KDK的过程模型168

3.2.2 KDK中双基融合机制的技术实现169

3.2.3实例验证170

3.3 KD（D&K）（KD（D&K）？KDD*＋KDK*）172

3.3.1 KD（D&K）系统的总体过程模型172

3.3.2 KD（D&K）的动态知识库系统174

3.3.3 KD（D&K）的特征175

3.4分布式知识发现模型DKD（D&K）176

3.4.1 DKD（D&K）系统的总体过程模型176

3.4.2 DKD（D&K）系统的特征180

3.5信息扩张机制诱导出的扩展性过程模型180

3.5.1 KDD*E总体过程模型180

3.5.2基于信息熵的关联规则挖掘定向聚焦182

3.5.3 KD（D&K）概述191

3.6用于复杂类型数据挖掘的发现特征子空间模型DFSSM192

3.6.1基于复杂类型数据的知识表示方法192

3.6.2 DFSSM的总体结构193

3.7基于DFSSM的图像挖掘过程模型IMDFSSM197

第4章 内在认知机理与新过程模型派生出的新技术方法201

4.1挖掘关联规则的新算法——Maradbcm算法201

4.1.1 Maradbcm算法的实现201

4.1.2 Maradbcm算法的性能分析203

4.2基于数据库信息熵的关联规则挖掘算法205

4.2.1简介205

4.2.2数据库信息熵205

4.2.3求数据库信息熵的算法207

4.2.4求最小支持度阈值的算法209

4.2.5基于数据库信息熵的关联规则的挖掘算法210

4.2.6结论210

4.3源于KD（D&K）分布式数据库关联规则挖掘算法211

4.3.1基于垂直分片的分布式关联规则挖掘算法211

4.3.2基于水平分片的分布式关联规则挖掘算法218

4.4源于KDD*的因果关联规则的自动评价方法225

4.4.1引论225

4.4.2因果关系自动推理机制与评价知识库的构建227

4.4.3认证逻辑的分析方法与应用228

4.4.4评价算法（评价规则Ai？Sj）228

4.5聚类规则的挖掘算法229

4.5.1评价函数229

4.5.2编码、交叉和突变策略230

4.5.3基于双库协同机制的数值域划分算法（数据聚类算法）描述231

4.6基于信息熵的决策树分类算法——SID3算法231

4.6.1基于信息熵的分类器构造及SID3算法231

4.6.2 SID3算法与ID3算法的分析与比较233

4.7基于小波神经网络的混沌模式的挖掘算法234

4.7.1小波神经网络学习算法234

4.7.2小波神经网络对混沌模式的提取237

4.8源于DFSSM的Web文本分类挖掘算法238

4.9源于DFSSM的Web文本聚类挖掘算法TLDFSSM241

4.9.1 TLDFSSM中类别及距离测度241

4.9.2 TLDFSSM中自组织特征映射网络SOM网络模型241

4.9.3 TLDFSSM聚类分析算法描述243

4.10基于相似模式的图像信息挖掘算法245

4.10.1基于双库协同机制的图像多维关联规则挖掘算法（IARMA）245

4.10.2基于区域不变小波矩图像相似匹配挖掘248

4.10.3相似模式挖掘算法250

4.11基于广义后缀树的事件序列频繁情节发现算法254

4.11.1事件序列频繁情节相关概念255

4.11.2频繁情节广义后缀树257

4.11.3基于广义后缀树的频繁情节发现算法258

4.11.4长事件序列的频繁情节发现262

4.12空间数据挖掘算法264

4.12.1空间数据挖掘的研究与发展264

4.12.2简单多边形的快速单调剖分算法266

4.12.3基于Delaunay三角网的可视化空间数据聚类270

4.13多关系数据挖掘算法274

4.13.1引言274

4.13.2基于边凝聚系数的简单图社区结构发现算法275

4.13.3面向语义的精简化多关系频繁模式发现方法285

4.13.4一种新的多关系朴素贝叶斯分类器293

4.14 KDK相关算法297

4.14.1 KDK简介297

4.14.2基于事实的KDK建模与挖掘算法298

4.14.3基于规则的KDK建模与挖掘算法300

4.14.4 R型协调算法304

4.14.5 S型协调算法309

4.14.6 T型协调算法316

4.14.7基于事实与规则的KDK*归纳发现算法319

4.14.8 KDTICM的构建320

第5章 KDTICM中引发出的新型实用智能系统321

5.1引言321

5.2基于知识发现的专家系统（ESKD）323

5.2.1引言323

5.2.2基于知识发现的专家系统的结构模型324

5.2.3基于知识发现具有双库协同机制的动态知识库系统326

5.2.4 ESKD的应用实例329

5.3基于知识发现的智能决策支持系统（IDSSKD）331

5.3.1引言331

5.3.2基于知识发现的智能决策支持系统的多智能体结构模型332

5.3.3基于KDD*的Agent系统334

5.3.4基于决策推理的Agent335

5.3.5基于Web挖掘的Agent335

5.4基于知识发现的智能预测支持系统（IFSSKD）336

5.4.1复杂不确定性系统预测336

5.4.2基于知识发现的智能预测支持系统（IFSSKD）的结构模型341

5.4.3 IFSSKD中的自学习机制343

5.5基于知识发现的计算机辅助创新智能系统（CAIISKD）344

5.5.1发明问题解决理论（TRIZ）的发展与计算机辅助创新理论344

5.5.2基于知识发现的计算机辅助创新智能系统（CAIISKD）352

5.6重要说明与结论355

参考文献357