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CAKD 17
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DFSSM 192
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IMDFSSM 197
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TLDFSSM 241
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Agent 335
5.3.5基于Web挖掘的Agent 335
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