基于內(nèi)在機(jī)理的知識發(fā)現(xiàn)理論及其應(yīng)用

緒論
第一篇 基礎(chǔ)篇
 第1章 知識發(fā)現(xiàn)的邏輯基礎(chǔ)
  1.1 概論
    1.1.1 形式系統(tǒng)簡介
    1.1.2 相關(guān)的邏輯簡介
    1.1.3 推理機(jī)制
  1.2 因果關(guān)系定性推理
    1.2.1 基于語言場與語言值結(jié)構(gòu)的描述框架
    1.2.2 單一語言場因果關(guān)系定性推理
    1.2.3 綜合語言場因果關(guān)系定性推理
  1.3 廣義細(xì)胞自動機(jī)與廣義歸納邏輯因果模型
    1.3.1 細(xì)胞自動機(jī)模型
    1.3.2 廣義因果細(xì)胞自動機(jī)與廣義歸納邏輯因果模型
    1.3.3 基于廣義因果細(xì)胞自動機(jī)的廣義因果歸納推理模型
第2章 知識發(fā)現(xiàn)的方法論基礎(chǔ)
  2.1 新的知識表方法
    2.1.1 語言場與語言值結(jié)構(gòu)
    2.1.2 因果狀（變）態(tài)在語言場中的描述
    2.1.3 標(biāo)準(zhǔn)樣本空間中語言值的量化表示與因果知識表示
    2.1.4 非標(biāo)準(zhǔn)樣本空間中語言值的量化表示
    2.1.5 基于語言場的知識表示方法
  2.2 新的預(yù)處理方法——基于語言場理論的連續(xù)屬性離散化方法
   2.2.1 屬性的劃分
   2.2.2 離散化算法實現(xiàn)
 2.3 KDD中的數(shù)據(jù)挖掘方法概覽
  2.4 數(shù)據(jù)挖掘新算法之一——基于廣義歸納邏輯因果模型的因果關(guān)聯(lián)規(guī)則挖掘算法
  2.4.1 在標(biāo)準(zhǔn)樣本空間中的因果關(guān)聯(lián)規(guī)則挖掘方法
  2.4.2 在一般樣本空間中，單一語言場下的因果關(guān)聯(lián)規(guī)則挖掘方法
  2.4.3 在一般樣本空間中，綜合語言場下的因果關(guān)聯(lián)規(guī)則挖掘方法
  2.5 數(shù)據(jù)挖掘新算法之二——基于小波神經(jīng)網(wǎng)絡(luò)的混沌模式挖掘算法
    2.5.1 小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
    2.5.2 小波神經(jīng)網(wǎng)絡(luò)對混沌模式的提取
  2.6 KDK中新的知識發(fā)現(xiàn)方法
   2.6.1 基于事實的KDK建模與挖掘算法
   2.6.2 基于規(guī)則的KDK建模與挖掘算法
  2.7 專家知識的歸納獲取
   2.7.1 機(jī)理研究
   2.7.2 算法研究
   2.7.3 環(huán)境研究
   2.7.4 技術(shù)研究
   2.7.5 應(yīng)用研究
   2.7.6 結(jié)論
 第3章 知識發(fā)現(xiàn)的哲學(xué)基礎(chǔ)
第二篇 理論篇
 第4章 知識發(fā)現(xiàn)系統(tǒng)的內(nèi)在機(jī)理
  4.1 引言
    4.1.1 KDD技術(shù)研究和應(yīng)用所面臨的挑戰(zhàn)
    4.1.2 內(nèi)在機(jī)理研究的意義——對知識發(fā)現(xiàn)主流發(fā)展的影響
  4.2 雙庫協(xié)同機(jī)制
   4.2.1 雙庫協(xié)同機(jī)制的提出
   4.2.2 雙庫協(xié)同機(jī)制的內(nèi)涵
   4.2.3 雙庫協(xié)同機(jī)制的理論框架
   4.2.4 進(jìn)一步討論
  4.3 雙基融合機(jī)制
    4.3.1 雙基融合機(jī)制的內(nèi)涵
    4.3.2 雙基融合機(jī)制的理論框架
    4.3.3 三個協(xié)調(diào)算法
  4.4 信息擴(kuò)張機(jī)制
    4.4.1 信息擴(kuò)張機(jī)制的內(nèi)涵
    4.4.2 動態(tài)挖掘進(jìn)程中規(guī)則參數(shù)演化規(guī)律
    4.4.3 動態(tài)挖掘進(jìn)程中，關(guān)聯(lián)規(guī)則的取舍方法和可理解性討論
    4.4.4 實例驗證
    4.4.5 知識發(fā)現(xiàn)系統(tǒng)的認(rèn)知復(fù)雜性
    4.4.6 動態(tài)挖掘進(jìn)程研究中的幾個可能的專題方向
第5章 內(nèi)在機(jī)理誘導(dǎo)出的新結(jié)構(gòu)模型
  5.1 KDD*（KDD*HKDD＋雙庫協(xié)同機(jī)制）
    5.1.1 KDD*的結(jié)構(gòu)模型
    5.1.2 KDD*雙庫協(xié)同機(jī)制的技術(shù)實現(xiàn)
    5.1.3 KDD*的特征
    5.1.4 KDD*的多智能體實現(xiàn)
  5.2 KDK*（KDK*KDK＋雙基融合機(jī)制）
    5.2.1 KDK*的結(jié)構(gòu)模型
    5.2.2 KDK*中雙基融合機(jī)制的技術(shù)實現(xiàn)
    5.2.3 實例驗證
  5.3 KD（D＆K）（KD（D＆K）KDD*＋KDK*）
    5.3.1 KD（D＆K）系統(tǒng)的總體結(jié)構(gòu)模型
    5.3.2 KD（D＆K）的動態(tài)知識庫系統(tǒng)
    5.3.3 KD（D＆K）的特征
  5.4 信息擴(kuò)張機(jī)制誘導(dǎo)出的擴(kuò)展性結(jié)構(gòu)模型
    5.4.1 KDD*E總體結(jié)構(gòu)模型
    5.4.2 KD（D＆K）*概述
第6章 內(nèi)在機(jī)理與新結(jié)構(gòu)模型派生出的新技術(shù)方法
  6.1 挖掘關(guān)聯(lián)規(guī)則的新算法——Maradbcm算法
    6.1.1 引論
    6.1.2 Maradbcm算法的實現(xiàn)
    6.1.3 Maradbcm算法的性能分析
  6.2 挖掘聚類規(guī)則的新算法
    6.2.1 引論
    6.2.2 評價函數(shù)
    6.2.3 編碼、交叉和突變策略
    6.2.4 基于雙庫協(xié)同機(jī)制的數(shù)值域劃分算法（數(shù)據(jù)聚類算法）描述
  6.3 基于事實與規(guī)則的KDK*歸納發(fā)現(xiàn)算法
    6.3.1 針對KDK算法的R型協(xié)調(diào)算法流程
    6.3.2 針對KDK算法的S型協(xié)調(diào)算法流程
    6.3.3 KDK*粗框架的程序流程圖
    6.3.4 實例驗證
  6.4 KDD*下的因果關(guān)聯(lián)規(guī)則的自動評價算法
    6.4.1 引論
    6.4.2 因果關(guān)系自動推理機(jī)制與評價知識庫的構(gòu)建
    6.4.3 認(rèn)證邏輯的分析方法與應(yīng)用
    6.4.4 評價算法（評價規(guī)則Ai-Sj）
    6 4.5 實例運行檢驗
    6.4.6 與相關(guān)工作的比較
  6.5 KDD*下的知識自動評價系統(tǒng)方法
    6.5.1 客觀評價指標(biāo)（第一層次）
    6.5.2 主觀評價指標(biāo)（第二層次）
    6.5.3 綜合評價指標(biāo)（第三層次）
    6.5.4 實例說明
    6.5.5 小結(jié)
第7章 KDTIM中引發(fā)出的新型實用智能系統(tǒng)
  7.1 引論
  7.2 基于知識發(fā)現(xiàn)的專家系統(tǒng)（ESKD）
    7.2.1 引言
    7.2.2 基于知識發(fā)現(xiàn)的專家系統(tǒng)（ESKD）總體結(jié)構(gòu)圖
    7.2.3 基于知識發(fā)現(xiàn)具有雙庫協(xié)同機(jī)制的動態(tài)知識庫系統(tǒng)
    7.2.4 ESKD的功能特征
    7.2.5 ESKD的應(yīng)用示例
  7.3 基于信息挖掘的智能決策支持系統(tǒng)（IDSSIM）
    7.3.1 傳統(tǒng)智能決策支持系統(tǒng)的系統(tǒng)結(jié)構(gòu)
    7.3.2 基于信息挖掘的新型智能決策支持系統(tǒng)（IDSSIM）
  7.4 基于信息挖掘的智能預(yù)測支持系統(tǒng)（IFSSIM）
    7.4.1 復(fù)雜不確定性系統(tǒng)預(yù)測
    7.4.2 基于信息挖掘的智能預(yù)測支持系統(tǒng)
  7.5 基于知識發(fā)現(xiàn)的計算機(jī)輔助創(chuàng)新智能系統(tǒng)（CAIISKD）
    7.5.1 發(fā)明問題解決理論（TRI2）
    7.5.2 TRI2的發(fā)展與計算機(jī)輔助創(chuàng)新理論
    7.5.3 基于知識發(fā)現(xiàn)的計算機(jī)輔助創(chuàng)新智能系統(tǒng)（CAIISKD）
第8章 基于復(fù)雜類型數(shù)據(jù)的知識發(fā)現(xiàn)（信息挖掘）
  8.1 總體結(jié)構(gòu)模型DFSSM
    8.1.1 基于復(fù)雜類型數(shù)據(jù)的知識表示方法
    8.1.2 Hilbert空間
    8.1.3 基于復(fù)雜類型數(shù)據(jù)的知識發(fā)現(xiàn)系統(tǒng)的總體結(jié)構(gòu)模型（DFSSM）
  8.2 Web挖掘
    8.2.1 Web挖掘簡介
    8.2.2 Web文本挖掘
    8.2.3 Web訪問信息挖掘
  8.3 多媒體信息挖掘綜述
  8.4 基于氣象數(shù)據(jù)（多媒體信息）的相似模式的挖掘
    8.4.1 引言
    8.4.2 認(rèn)知過程與知識發(fā)現(xiàn)的相似性
    8.4.3 相似模式數(shù)據(jù)挖掘原理
    8.4.4 相似模式數(shù)據(jù)挖掘的算法
第三篇 應(yīng)用篇
  第9章 基于KDTIM的知識發(fā)現(xiàn)軟件系統(tǒng)（ICCKDSS）
  9.1 系統(tǒng)簡介
  9.2 數(shù)據(jù)挖掘子系統(tǒng)（KDD*SS）
    9.2.1 KDD*SS的主要技術(shù)特征
    9.2.2 KDD*SS功能模塊圖
    9.2.3 KDD*SS部分功能模塊描述
    9.2.4 KDD*SS操作流程圖
  9.3 Web文本挖掘子系統(tǒng)
    9.3.1 系統(tǒng)主要技術(shù)特征
    9.3.2 系統(tǒng)模塊
    9.3.3 各功能模塊描述
  9.4 Web訪問信息挖掘子系統(tǒng)
    9.4.1 主要內(nèi)容
    9.4.2 各功能模塊描述
  9.5 智能門戶搜索引擎
    9.5.1 系統(tǒng)簡介
    9.5.2 系統(tǒng)各功能模塊
第10章 KDTIM與ICCKDSS的幾類典型應(yīng)用
  10.1 農(nóng)業(yè)應(yīng)用系統(tǒng)的運行實例
    10.1.1 知識發(fā)現(xiàn)在農(nóng)業(yè)生產(chǎn)規(guī)劃中的應(yīng)用
    10.1.2 面向施肥的知識發(fā)現(xiàn)系統(tǒng)
    10.1.3 面向植保的知識發(fā)現(xiàn)系統(tǒng)
    10.2 現(xiàn)代遠(yuǎn)程教育網(wǎng)的信息挖掘?qū)嵗?br />    10.2.1 Web文本挖掘系統(tǒng)
    10.2.2 Web日志挖掘系統(tǒng)
    10.2.3 智能搜索引擎
  10.3 氣象數(shù)據(jù)處理與信息挖掘?qū)嵗?br />    10.3.1 氣象數(shù)據(jù)的處理與相似模式的挖掘
    10.3.2 氣象預(yù)測模型
附錄A 名詞術(shù)語縮略語列表
參考文獻(xiàn)