数据挖掘技术与应用PDF电子书下载

第1章 数据挖掘概述 1

1.1数据仓库和数据挖掘定义与解释 1

1.1.1数据仓库的定义与解释 1

1.1.2数据挖掘的定义与解释 1

1.2数据仓库系统的相关技术 3

1.2.1数据仓库系统相关技术之间的关系 3

1.2.2数据仓库系统模式 7

1.3数据仓库系统中多维数据组织的形式化定义与描述 9

1.4数据挖掘方法与研究体系 16

1.4.1数据挖掘系统的发展与结构 16

1.4.2数据挖掘的相关技术与工具 17

1.4.3数据挖掘应用及发展 24

1.5小结 26

思考题 26

第2章 数据采集、集成与预处理技术 27

2.1数据采集的对象 27

2.2数据集成技术与方法 30

2.2.1 3G与MIS的集成模式 31

2.2.2异构数据集成的设计与实现 33

2.3数据预处理技术与方法 34

2.3.1数据清理的方法 34

2.3.2数据融合的方法 35

2.3.3数据变换的方法 35

2.3.4数据归约的方法 36

2.4基于样本数据划分的通用数据挖掘模型系统 37

2.5中间件技术 38

2.5.1中间件技术的定义与作用 38

2.5.2中间件技术在数据仓库系统中数据采集的应用 42

2.6小结 54

思考题 54

第3章 多维数据分析与组织 55

3.1多维数据分析概述 55

3.1.1联机分析处理的定义和特点 55

3.1.2联机分析处理的评价准则 56

3.1.3多维数据分析的主要概念 57

3.2多维数据模型与结构 58

3.2.1多维数据的概念模型 58

3.2.2多维数据的逻辑模型 60

3.2.3多维数据的物理模型 62

3.3多维数据分析应用与工具 65

3.3.1多维数据分析的基本操作 65

3.3.2多维数据分析的工具及特点 66

3.4从联机分析处理到联机分析挖掘 68

3.4.1联机分析挖掘形成原因 68

3.4.2联机分析挖掘概念及特征 68

3.5小结 70

思考题 70

第4章 预测模型研究与应用 71

4.1预测模型的基础理论 71

4.1.1预测方法的分类 71

4.1.2预测方法的一般步骤 71

4.2回归分析预测模型 72

4.2.1一元线性回归预测模型 72

4.2.2多元线性回归预测模型 76

4.2.3非线性回归预测模型 81

4.3趋势外推预测模型 85

4.3.1皮尔预测模型 85

4.3.2龚拍兹预测模型 88

4.3.3林德诺预测模型 91

4.4时间序列预测模型 94

4.4.1移动平均预测模型 94

4.4.2指数平滑预测模型 95

4.4.3季节指数预测模型 101

4.5基于神经网络的预测模型 104

4.6马尔可夫预测模型 115

4.7小结 118

思考题 118

第5章 关联规则模型及应用 119

5.1关联规则的基础理论 119

5.1.1关联规则的定义与解释 119

5.1.2关联规则在知识管理过程中的作用 119

5.2 Apriori关联规则算法 121

5.2.1关联规则算法的相关概念 121

5.2.2关联规则算法的流程 122

5.3改进的Apriori关联规则方法 123

5.3.1动态存储空间的构建 123

5.3.2快速产生强项集的算法流程 123

5.3.3改进算法的时间复杂性分析 124

5.4 Apriori关联规则方法的实例 126

5.5小结 133

思考题 133

第6章 聚类分析方法与应用 134

6.1聚类分析的基础理论 134

6.1.1聚类分析的定义 134

6.1.2对聚类算法性能的要求 134

6.2聚类分析的方法 135

6.2.1基于划分的聚类方法 135

6.2.2基于层次的聚类方法 136

6.2.3基于密度的聚类方法 137

6.2.4基于网格的聚类方法 138

6.2.5基于模型的聚类方法 138

6.3应用聚类分析方法 140

6.3.1 k-means聚类方法 140

6.3.2 k-medoids聚类方法 141

6.3.3 AGNES聚类方法 144

6.3.4 DIANA聚类方法 145

6.3.5 DBSCAN聚类方法 147

6.4小结 149

思考题 149

第7章 粗糙集方法与应用 150

7.1粗糙集理论背景介绍 150

7.1.1粗糙集的含义 150

7.1.2粗糙集的应用及与其他领域的结合 150

7.2粗糙集基本理论 153

7.2.1知识与不可分辨关系 153

7.2.2不精确范畴、近似与粗糙集 154

7.2.3粗糙集的精度和粗糙度 155

7.2.4粗糙集的粗等价和粗包含 156

7.3基于粗糙集的属性约简 156

7.3.1知识的约简和核 157

7.3.2知识的依赖性度量和属性的重要度 159

7.4基于粗糙集的决策知识表示 160

7.4.1基于粗糙集的决策知识表示方法 160

7.4.2粗糙集在规则提取中的应用算例 161

7.5小结 162

思考题 162

第8章 遗传算法与应用 164

8.1遗传算法基础理论 164

8.1.1遗传算法概述 164

8.1.2遗传算法特点 165

8.2遗传算法的应用领域和研究方向 165

8.2.1遗传算法的应用领域 165

8.2.2遗传算法的研究方向 168

8.3遗传算法的基础知识 169

8.3.1遗传算法的相关概念 169

8.3.2遗传算法的编码规则 169

8.3.3遗传算法的主要算子 171

8.3.4遗传算法的适应度函数 175

8.4遗传算法计算过程和应用 176

8.4.1遗传算法计算过程 176

8.4.2遗传算法参数选择 176

8.4.3遗传算法实例应用 177

8.5小结 181

思考题 181

第9章 基于模糊理论的模型与应用 182

9.1层次分析方法 182

9.1.1层次分析法的计算步骤 182

9.1.2层次分析法应用实例 185

9.2模糊层次分析法 187

9.2.1模糊层次分析法的步骤 188

9.2.2模糊层次分析法应用实例 188

9.3模糊综合评判方法 191

9.3.1模糊综合评判法的原理与步骤 191

9.3.2模糊综合评判法应用实例 194

9.4模糊聚类分析方法 195

9.4.1模糊聚类方法介绍 195

9.4.2模糊聚类算法应用 196

9.5小结 198

思考题 198

第10章 灰色系统理论与方法 199

10.1灰色系统的基础理论 199

10.1.1灰色系统理论介绍 199

10.1.2灰色系统的特点 200

10.1.3灰色系统建模与适用范围 200

10.2灰色预测模型 202

10.2.1建立灰色预测模型 203

10.2.2灰色预测模型实例 204

10.3灰色聚类分析 206

10.3.1基于灰色关联度的聚类分析 206

10.3.2基于灰色白化权函数的聚类方法 211

10.4灰色综合评价方法 214

10.4.1多层次灰色综合评价方法计算步骤 215

10.4.2多层次灰色综合评价方法应用案例 217

10.5小结 221

思考题 221

第11章 基于数据挖掘的知识推理 222

11.1知识推理的分类 222

11.1.1非单调推理 222

11.1.2非确定性推理 222

11.1.3基于规则的推理 227

11.1.4基于案例的推理 227

11.2基于数据挖掘方法的知识推理 229

11.2.1基于决策树的知识推理 229

11.2.2基于关联规则的知识推理 234

11.2.3基于粗糙集的知识推理 234

11.3小结 235

思考题 235

参考文献 236