本书阐述了数据挖掘、软计算技术的发展状况，重点介绍了其采用的技术和方法，同时对各种方法进行了比较，并以几种方法为例，介绍了它们的思想及其在数据挖掘中的应用。另外，本书还阐述了基于Agent技术的智能数据挖掘系统模型的总体结构，介绍了常用的知识表示方法；讨论了数据挖掘中的小波神经网络方法，概述了基于WWW的数据挖掘和文本挖掘，介绍了分类、聚类分析的常用算法，并且给出了部分算法的算法实现，可为数据挖掘领域的研究生及相关技术人员提供参考。

章绪论1
1.1数据挖掘概述1
1.1.1数据挖掘的发展状况1
1.1.2数据挖掘的概念2
1.1.3数据挖掘技术概述5
1.1.4数据挖掘方法比较9
1.1.5数据挖掘面临的问题10
1.2数据挖掘中的软计算技术概述11
1.2.1软计算的发展状况12
1.2.2KDD中的软计算技术简介13
1.3基于WWW的数据挖掘与文本挖掘19
1.3.1基于WWW的数据挖掘19
1.3.2自然语言处理与文本挖掘20
1.4研究现状与发展趋势21
参考文献23
第2章基于智能Agent的知识发现模型研究与设计27
2.1知识发现模型概述27
2.1.1面向过程的KDD模型28
2.1.2面向用户的KDD模型30
2.1.3面向知识的KDD模型31
2.2基于Agent技术的智能数据挖掘系统模型的总体结构32
2.2.1Multi-Agent技术的特性32
2.2.2智能数据挖掘系统模型的总体结构34
2.2.3数据挖掘Agent功能描述35
2.2.4数据预处理Agent功能描述36
2.2.5人机界面Agent功能描述37
2.2.6决策Agent功能描述38
2.3知识发现过程实例分析39
2.3.1实例背景39
2.3.2数据预处理40
2.3.3特征选择43
2.4研究现状与发展趋势47
2.5本章小结48
参考文献49
第3章基于软计算的知识表示方法研究51
3.1知识表示概述51
3.1.1一阶谓词逻辑表示法52
3.1.2关系表示法53
3.1.3产生式规则表示法53
3.1.4框架表示法54
3.1.5语义网络表示法55
3.1.6面向对象表示法56
3.1.7知识表达式56
3.1.8模糊知识表示方法58
3.2基于粗糙集的不确定知识表示方法61
3.2.1知识、划分与等价关系61
3.2.2信息表、不可分辨关系和基本集61
3.2.3粗糙集的下近似、上近似及边界区62
3.2.4知识表示特征集模型62
3.2.5讨论64
3.3基于粗糙熵的知识表示方法64
3.3.1信息理论的度量和粗糙集64
3.3.2知识的粗糙性65
3.3.3粗糙熵65
3.4知识的对象模糊语义网络表示法65
3.5几种知识表示方法的比较66
3.6研究现状与发展趋势67
3.7本章小结68
参考文献71
第4章数据挖掘中的小波神经网络方法研究73
4.1引言73
4.2神经网络发展及基础概述73
4.2.1MP模型74
4.2.2感知器学习算法75
4.2.3BP网络算法75
4.3基于禁忌搜索算法的小波神经网络设计77
4.3.1禁忌搜索77
4.3.2小波分析基础82
4.3.3小波变换实例84
4.3.4小波神经网络86
4.3.5网络设计算法86
4.3.6实验结果及结论87
4.4基于小波神经网络的模型预测研究88
4.4.1Harr基小波88
4.4.2Harr基小波神经网络89
4.4.3预测模型90
4.5BP神经网络91
4.5.1算法实现91
4.5.2运行实例94
4.6神经网络在数据挖掘中的应用94
4.6.1神经网络在可视化中的应用94
4.6.2神经网络在分类中的应用96
4.6.3实验结果及分析98
4.7研究现状与发展趋势99
4.8本章小结100
参考文献100
第5章基于用户需求模型的中英文WWW搜索引擎104
5.1WWW概述104
5.1.1搜索引擎技术105
5.1.2WWW中的术语、协议及相关技术106
5.2中英文WWW搜索引擎的结构109
5.2.1数据收集、处理子系统110
5.2.2用户查询子系统111
5.2.3分类管理子系统112
5.3基于示例的用户信息需求模型的获取和表示113
5.3.1文本类别特征的抽取方式114
5.3.2文本的分类判别与文本特征权重115
5.3.3Fisher判别116
5.3.4用户信息需求模型的表示119
5.3.5实验结果及分析119
5.4研究现状与发展趋势120
5.5本章小结121
参考文献121
第6章基于Web的文本挖掘技术研究123
6.1文本挖掘概述123
6.1.1文本挖掘的应用124
6.1.2文本处理的基本模型125
6.1.3文本挖掘的流程128
6.2文本挖掘基本技术128
6.2.1文本特征抽取128
6.2.2文本分类132
6.2.3文本聚类133
6.2.4DBSCAN聚类134
6.3中文文本挖掘模型137
6.3.1文本特征的提取137
6.3.2重心向量与文本聚类139
6.3.3文本自动摘要技术140
6.3.4文本可视化表示141
6.4研究现状与发展趋势143
6.5本章小结144
参考文献145
第7章聚类分析与应用147
7.1聚类的基本概念147
7.1.1聚类的定义147
7.1.2聚类算法的分类148
7.1.3数据挖掘中聚类算法的比较标准148
7.2常用聚类算法介绍与分析149
7.2.1基于划分的聚类算法149
7.2.2基于层次的聚类算法151
7.2.3基于密度的聚类算法152
7.2.4基于网格的聚类算法153
7.2.5基于模型的聚类算法[3]154
7.3聚类算法比较155
7.4聚类算法k-means的改进155
7.4.1聚类算法中的数据类型155
7.4.2相异度的计算156
7.4.3聚类准则157
7.4.4原始的k-means算法157
7.4.5改进的k-means算法161
7.5研究现状与发展趋势166
7.6本章小结166
参考文献167
第8章软计算中的算法及其应用169
8.1分类概述169
8.2决策树169
8.2.1决策树的概念170
8.2.2决策树的研究方向171
8.2.3决策树分析171
8.2.4决策树算法173
8.3分类的应用184
8.3.1基于支持向量机的印刷故障分类184
8.3.2票据印刷过程中的数码检测190
8.4遗传算法192
8.4.1算法实现192
8.4.2算法运行198
8.5研究现状与发展趋势199
8.6本章小结200
参考文献200