本书共分10章。第1章介绍了数据挖掘方法的历史,另外讨论了统计学习的一般模型。第2、3、4章介绍了三种数据挖掘模型:人工神经网络、支持向量机和隐马尔可夫模型。第5章介绍了一种新型支持向量诱导回归模型,第6章介绍了一种基于快速训练算法的HMM/SVM混合系统,第7章介绍了分解向前算法及PCA/ICA降维SVM模型,第8章介绍了不对称支持向量机改进算法,第9章介绍了一种基于隐马尔可夫模型的多重序列分析方法,第10章介绍了一类基于SVM/RBF的气象模型预测系统。
目录
- 第1章 绪论1
- 1.1 研究背景2
- 1.2 数据挖掘的基本数学问题5
- 1.2.1 相关概念5
- 1.2.2 统计学习的一般模型10
- 1.3 数据的变换11
- 参考文献13
- 第2章 神经网络挖掘理论19
- 2.1 神经智能19
- 2.2 生物神经元和人工神经元21
- 2.2.1 生物神经元21
- 2.2.2 人工神经元23
- 2.2.3 建立数学模型24
- 2.2.4 单层与多层网络结构27
- 2.2.5 网络学习方式32
- 2.2.6 经典学习规则34
- 2.3 LMS和SDA方法35
- 2.3.1 平均平方误差函数36
- 2.3.2 LMS和SDA算法39
- 2.4 后向传播算法43
- 2.4.1 概况43
- 2.4.2 多层网络BP算法44
- 参考文献50
- 第3章 基于支持向量的挖掘理论52
- 3.1 支持向量与分类超平面52
- 3.1.1 一维情形52
- 3.1.2 二维情形54
- 3.1.3 三维情形56
- 3.1.4 n维情形57
- 3.1.5 核函数(内积回旋)思想58
- 3.1.6 核函数定义63
- 3.2 风险控制策略65
- 3.2.1 VC维概念65
- 3.2.2 经验风险最小化原则66
- 3.2.3 结构风险最小化原则67
- 3.3 样本被错分的讨论68
- 3.3.1 最大间隔分类超平面68
- 3.3.2 数据被错分的条件70
- 3.4 最优化策略71
- 3.5 分类与回归74
- 3.5.1 分类算法74
- 3.5.2 回归算法78
- 3.5.3 解的全局最优讨论80
- 3.6 几种经典算法描述82
- 3.6.1 分解算法82
- 3.6.2 分块算法83
- 3.6.3 序贯最小化算法84
- 3.6.4 核函数构造算法85
- 参考文献85
- 第4章 隐马尔可夫挖掘理论87
- 4.1 马尔可夫思想87
- 4.2 隐马尔可夫链90
- 4.3 隐马尔可夫模型94
- 4.3.1 隐马尔可夫模型定义94
- 4.3.2 三个基本算法95
- 参考文献102
- 第5章 新型支持向量诱导回归模型及应用104
- 5.1 新型支持向量诱导回归模型104
- 5.1.1 不敏感损失函数104
- 5.1.2 系统模型106
- 5.2 时间序列分析的相空间重构108
- 5.2.1 相空间重构108
- 5.2.2 性能评价指标109
- 5.2.3 重构模式的近似算法110
- 5.3 预测置信度估计110
- 5.4 实验结果111
- 5.4.1 参数的确定111
- 5.4.2 预测指数分析112
- 5.4.3 预测结果113
- 5.4.4 SVM和传统神经网络的比较115
- 5.4.5 讨论116
- 参考文献117
- 第6章 基于快速训练算法的HMM/SVM混合系统118
- 6.1 L值定义118
- 6.2 快速训练算法和HMM/SVM混合过滤模型119
- 6.2.1 基于HMM的快速训练算法119
- 6.2.2 HMM/SVM的双层混合系统模型120
- 6.3 实验结果121
- 6.3.1 数据的获取及序列的编码122
- 6.3.2 DNA的两类和多类分类识别123
- 6.3.3 讨论126
- 参考文献127
- 第7章 分解向前算法及PCA/ICA降维SVM模型129
- 7.1 主成分分析(PCA)的数学模型129
- 7.2 独立成分分析(ICA)的数学模型131
- 7.3 分解向前支持向量机133
- 7.3.1 三个距离区域133
- 7.3.2 分解向前算法134
- 7.3.3 DFSVM算法复杂度分析136
- 7.3.4 PCA—DFSVM及ICA—DFSVM降维模型137
- 7.4 实验结果138
- 7.4.1 SCOP数据库138
- 7.4.2 实验1138
- 7.4.3 实验2139
- 7.4.4 各项实验指标比较140
- 7.4.5 讨论141
- 参考文献141
- 第8章 不对称支持向量机改进算法及应用143
- 8.1 不对称支持向量机143
- 8.1.1 样本的不对称性143
- 8.1.2 不对称支持向量机算法143
- 8.1.3 不对称SVM分类迭代模型146
- 8.2 几种多分类问题的算法复杂度估计146
- 8.3 实验结果149
- 8.3.1 实验1150
- 8.3.2 实验2151
- 8.3.3 MISVM和标准SVM实验指标比较153
- 参考文献155
- 第9章 基于隐马尔可夫模型的多重序列分析156
- 9.1 研究背景156
- 9.2 多重序列比对157
- 9.2.1 多重序列比对的描述157
- 9.2.2 特征序列158
- 9.3 隐马尔可夫模型的序列描述158
- 9.4 建立多重序列隐马尔可夫轮廓图160
- 9.5 实验结果和讨论161
- 9.5.1 Pfam数据库简介161
- 9.5.2 建立隐马尔可夫模型162
- 9.5.3 检验HMMS模型162
- 9.5.4 用HMMS进行蛋白质家族的模式分类163
- 9.6 关于模型的局限性讨论164
- 参考文献165
- 第10章 一类基于SVM/RBF的气象模型预测系统167
- 10.1 支持向量机回归模型167
- 10.1.1 回归支持向量机167
- 10.1.2 模型中几个重要参数分析168
- 10.2 温度序列数据分析169
- 10.3 决策函数的确定170
- 10.4 预测结果分析171
- 10.5 结论173
- 参考文献173
- 特别提示:本资源需要会员组权限,普通注册用户无法下载.