第1篇 基础知识 1
第1章 绪论 1
1.1数据挖掘概述 2
1.2数据挖掘的研究现状及应用领域 8
1.3数据挖掘与其他技术的关系 11
1.4数据挖掘的工具及评价标准 15
1.5聚类分析初探 17
1.6本书研究内容纲要 18
本章小结 19
思考题 19
第2章 数据预处理技术 20
2.1数据预处理 20
2.2数据清理 21
2.3数据集成和融合 24
2.4数据变换 25
2.5数据归约 27
本章小结 30
思考题 31
第3章 多维数据分析与组织 32
3.1多维数据分析概述 32
3.2多维数据模型与结构 33
3.3多维数据分析应用与工具 40
3.4从联机分析处理到联机分析挖掘 43
本章小结 45
思考题 45
第2篇 数据挖掘 46
第4章 预测技术及其应用 46
4.1预测技术基础理论 47
4.2回归分析预测 49
4.3趋势外推预测 64
4.4时间序列预测 74
4.5基于神经网络的预测 87
4.6马尔可夫预测 103
4.7组合预测 105
本章小结 107
思考题 107
第5章 关联分析技术及应用 108
5.1关联规则的基础理论 108
5.2 Apriori关联规则算法 112
5.3改进的Apriori关联规则算法 114
5.4 Apriori关联规则算法的实例 117
5.5 Apriori关联规则模型运行实例 122
本章小结 123
思考题 124
第6章 遗传算法及应用 125
6.1遗传算法基础理论 125
6.2遗传算法的应用领域和研究方向 126
6.3遗传算法的基础知识 130
6.4遗传算法计算过程和应用 137
本章小结 144
思考题 144
第7章 灰色系统理论与方法 145
7.1灰色系统的基础理论 145
7.2灰色预测模型 149
7.3灰色聚类分析 154
7.4层次分析方法 163
7.5灰色综合评价方法 168
本章小结 174
思考题 174
第8章 粗糙集方法及应用 176
8.1粗糙集理论背景介绍 176
8.2粗糙集基本理论 180
8.3基于粗糙集的属性约简 183
8.4基于粗糙集的决策知识表示 187
8.5基于粗糙集的数据挖掘模型 189
8.6粗糙集在交通肇事逃逸侦破系统中应用 198
本章小结 206
思考题 206
第9章 基于数据挖掘的知识推理 207
9.1知识推理的分类 207
9.2基于数据挖掘方法的知识推理 214
本章小结 220
思考题 220
第3篇 聚类分析 221
第10章 聚类分析概述 221
10.1聚类分析经典算法分类 222
10.2近年新的聚类方法 231
10.3聚类分析的研究热点问题 233
10.4聚类分析的应用领域 246
本章小结 247
思考题 247
第11章 模糊聚类 248
11.1模糊聚类算法综述 248
11.2基于模糊等价关系的模糊聚类算法 251
11.3模糊C-均值聚类算法 254
11.4 FCM的改进算法 255
11.5模糊聚类的应用 263
11.6模糊关联规则模型及应用 265
本章小结 269
思考题 269
第12章 聚类融合 270
12.1聚类融合算法综述 270
12.2分类数据聚类融合方法 275
12.3混合属性数据聚类融合方法 280
12.4聚类融合的应用 284
本章小结 286
思考题 286
第13章 增量聚类 287
13.1增量聚类算法综述 287
13.2基于传统聚类的增量聚类算法 288
13.3基于生物智能的增量聚类算法 291
13.4面向数据流的增量聚类算法 292
13.5基于聚类融合的增量聚类算法 293
13.6增量聚类算法的应用 298
本章小结 300
思考题 300
第4篇 数据挖掘新进展 301
第14章 近年数据挖掘新的研究方向 301
14.1 Web挖掘 302
14.2知识管理 306
14.3空间数据挖掘 308
14.4基于MapReduce的大数据集挖掘 311
14.5流数据挖掘 312
14.6面向隐私保护的数据挖掘 316
14.7不确定性数据挖掘 317
14.8多媒体数据挖掘 320
14.9生物信息数据挖掘 322
本章小结 326
思考题 326
第15章 文本挖掘 327
15.1文本挖掘概述 327
15.2文本挖掘预处理——文本表示 328
15.3文本挖掘方法 330
15.4文本挖掘工具 337
15.5文本挖掘的应用 338
本章小结 344
参考文献 345
附件 50艘船舶的基本信息 369