第1章 绪论 1
1.1 引言 2
1.2 数据挖掘概述 4
1.2.1 数据挖掘基本概念介绍 5
1.2.2 数据挖掘基本技术介绍 22
1.3 动态数据挖掘概述 33
1.3.1 动态数据挖掘概念介绍 35
1.3.2 数据流挖掘研究的意义 36
1.3.3 动态数据分类方法国内外研究现状 37
1.4 本章小结 50
第2章 数据流挖掘技术 51
2.1 概述 52
2.2 数据流挖掘相关技术简介 65
2.2.1 滑动窗口技术 66
2.2.2 动态抽样技术 69
2.2.3 数据概要方法 71
2.2.4 更新策略 80
2.2.5 数据流预处理技术 82
2.3 数据流挖掘基本算法介绍 92
2.3.1 数据流聚类算法 92
2.3.2 数据流分类算法 104
2.3.3 数据流频繁规则挖掘算法 116
2.3.4 多数据流挖掘算法 122
2.4 数据流挖掘技术的相关应用 127
2.5 本章小结 131
第3章 集成学习数据流分类技术 133
3.1 概述 134
3.1.1 集成学习基本理论 134
3.1.2 集成学习研究现状 141
3.2 Learn++系列算法 143
3.2.1 Learn++介绍 143
3.2.2 Learn++.NC 147
3.2.3 Learn++.DF 151
3.2.4 Learn++.MF 152
3.2.5 Learn++.NSE 154
3.3 基于SVM-SOM的数据流混合分类方法 158
3.3.1 SVM模型介绍 158
3.3.2 SOM模型介绍 160
3.3.3 粒子群与遗传算法介绍 162
3.3.4 SVM-SOM混合模型构建方法 164
3.4 集成学习结果合并方法 172
3.4.1 基于均值的合并方法 172
3.4.2 投票合并方法 175
3.4.3 其他合并方法 179
3.5 本章小结 180
第4章 增量式学习数据流分类方法 183
4.1 概述 184
4.2 传统分类器存在的问题及解决方法 185
4.3 增量式相关算法介绍 188
4.4 基于轮转式结构的增量式数据流分类模型 195
4.4.1 算法介绍 195
4.4.2 实验及结果分析 198
4.5 其他增量式分类模型介绍 204
4.5.1 基于增量式学习的极端学习机分类模型 204
4.5.2 数据流可调节增量学习模型 208
4.5.3 基于增量式学习的非稳定数据流分类模型 212
4.5.4 基于增量式学习的LSVM模型 214
4.6 本章小结 221
第5章 数据流概念漂移挖掘方法 223
5.1 概述 224
5.1.1 概念漂移的介绍 224
5.1.2 概念漂移的研究现状 228
5.1.3 概念漂移检测方法介绍 229
5.2 基于KL-distance的数据流分类模型 231
5.2.1 算法介绍 231
5.2.2 实验结果 238
5.3 基于集成学习的概念漂移分类模型 247
5.3.1 算法介绍 248
5.3.2 实验结果 251
5.4 概念漂移可视化研究 253
5.4.1 可视化算法介绍 253
5.4.2 实验结果 255
5.5 本章小结 260
第6章 民族信息数据流挖掘应用 261
6.1 概述 262
6.2 少数民族信息数据挖掘现状 270
6.3 数据流分类在少数民族信息挖掘中的应用——少数民族乐器分类模型 275
6.3.1 模型框架 275
6.3.2 算法介绍 277
6.3.3 实验结果及分析 279
6.4 本章小结 282
参考文献 283