第1章 緒論 1
1.1 研究背景 2
1.2 數(shù)據(jù)挖掘的基本數(shù)學問題 5
1.2.1 相關概念 5
1.2.2 統(tǒng)計學習的一般模型 10
1.3 數(shù)據(jù)的變換 11
參考文獻 13
第2章 神經(jīng)網(wǎng)絡挖掘理論 19
2.1 神經(jīng)智能 19
2.2 生物神經(jīng)元和人工神經(jīng)元 21
2.2.1 生物神經(jīng)元 21
2.2.2 人工神經(jīng)元 23
2.2.3 建立數(shù)學模型 24
2.2.4 單層與多層網(wǎng)絡結構 27
2.2.5 網(wǎng)絡學習方式 32 第1章 緒論 1
1.1 研究背景 2
1.2 數(shù)據(jù)挖掘的基本數(shù)學問題 5
1.2.1 相關概念 5
1.2.2 統(tǒng)計學習的一般模型 10
1.3 數(shù)據(jù)的變換 11
參考文獻 13
第2章 神經(jīng)網(wǎng)絡挖掘理論 19
2.1 神經(jīng)智能 19
2.2 生物神經(jīng)元和人工神經(jīng)元 21
2.2.1 生物神經(jīng)元 21
2.2.2 人工神經(jīng)元 23
2.2.3 建立數(shù)學模型 24
2.2.4 單層與多層網(wǎng)絡結構 27
2.2.5 網(wǎng)絡學習方式 32
2.2.6 經(jīng)典學習規(guī)則 34
2.3 LMS和SDA方法 35
2.3.1 平均平方誤差函數(shù) 36
2.3.2 LMS和SDA算法 39
2.4 后向傳播算法 43
2.4.1 概況 43
2.4.2 多層網(wǎng)絡BP算法 44
參考文獻 50
第3章 基于支持向量的挖掘理論 52
3.1 支持向量與分類超平面 52
3.1.1 一維情形 52
3.1.2 二維情形 54
3.1.3 三維情形 56
3.1.4 n維情形（ ） 57
3.1.5 核函數(shù)（內(nèi)積回旋）思想 58
3.1.6 核函數(shù)定義 63
3.2 風險控制策略 65
3.2.1 VC維概念 65
3.2.2 經(jīng)驗風險最小化原則 66
3.2.3 結構風險最小化原則 67
3.3 樣本被錯分的討論 68
3.3.1 最大間隔分類超平面 68
3.3.2 數(shù)據(jù)被錯分的條件 70
3.4 最優(yōu)化策略 71
3.5 分類與回歸 74
3.5.1 分類算法 74
3.5.2 回歸算法 78
3.5.3 解的全局最優(yōu)討論 80
3.6 幾種經(jīng)典算法描述 82
3.6.1 分解算法 82
3.6.2 分塊算法 83
3.6.3 序貫最小化算法 84
3.6.4 核函數(shù)構造算法 85
參考文獻 85
第4章 隱馬爾可夫挖掘理論 87
4.1 馬爾可夫思想 87
4.2 隱馬爾可夫鏈 90
4.3 隱馬爾可夫模型 94
4.3.1 隱馬爾可夫模型定義 94
4.3.2 三個基本算法 95
參考文獻 102
第5章 新型支持向量誘導回歸模型及應用 104
5.1 新型支持向量誘導回歸模型 104
5.1.1 不敏感損失函數(shù) 104
5.1.2 系統(tǒng)模型 106
5.2 時間序列分析的相空間重構 108
5.2.1 相空間重構 108
5.2.2 性能評價指標 109
5.2.3 重構模式的近似算法 110
5.3 預測置信度估計 110
5.4 實驗結果 111
5.4.1 參數(shù)的確定 111
5.4.2 預測指數(shù)分析 112
5.4.3 預測結果 113
5.4.4 SVM和傳統(tǒng)神經(jīng)網(wǎng)絡的比較 115
5.4.5 討論 116
參考文獻 117
第6章 基于快速訓練算法的HMM/SVM混合系統(tǒng) 118
6.1 L值定義 118
6.2 快速訓練算法和HMM/SVM混合過濾模型 119
6.2.1 基于HMM的快速訓練算法 119
6.2.2 HMM/SVM的雙層混合系統(tǒng)模型 120
6.3 實驗結果 121
6.3.1 數(shù)據(jù)的獲取及序列的編碼 122
6.3.2 DNA的兩類和多類分類識別 123
6.3.3 討論 126
參考文獻 127
第7章 分解向前算法及PCA/ICA降維SVM模型 129
7.1 主成分分析（PCA）的數(shù)學模型 129
7.2 獨立成分分析（ICA）的數(shù)學模型 131
7.3 分解向前支持向量機 133
7.3.1 三個距離區(qū)域 133
7.3.2 分解向前算法 134
7.3.3 DFSVM算法復雜度分析 136
7.3.4 PCA-DFSVM及ICA-DFSVM降維模型 137
7.4 實驗結果 138
7.4.1 SCOP數(shù)據(jù)庫 138
7.4.2 實驗1 138
7.4.3 實驗2 139
7.4.4 各項實驗指標比較 140
7.4.5 討論 141
參考文獻 141
第8章 不對稱支持向量機改進算法及應用 143
8.1 不對稱支持向量機 143
8.1.1 樣本的不對稱性 143
8.1.2 不對稱支持向量機算法 143
8.1.3 不對稱SVM分類迭代模型 146
8.2 幾種多分類問題的算法復雜度估計 146
8.3 實驗結果 149
8.3.1 實驗1 150
8.3.2 實驗2 151
8.3.3 MISVM和標準SVM實驗指標比較 153
參考文獻 155
第9章 基于隱馬爾可夫模型的多重序列分析 156
9.1 研究背景 156
9.2 多重序列比對 157
9.2.1 多重序列比對的描述 157
9.2.2 特征序列 158
9.3 隱馬爾可夫模型的序列描述 158
9.4 建立多重序列隱馬爾可夫輪廓圖 160
9.5 實驗結果和討論 161
9.5.1 Pfam數(shù)據(jù)庫簡介 161
9.5.2 建立隱馬爾可夫模型 162
9.5.3 檢驗HMMS模型 162
9.5.4 用HMMS進行蛋白質家族的模式分類 163
9.6 關于模型的局限性討論 164
參考文獻 165
第10章 一類基于SVM/RBF的氣象模型預測系統(tǒng) 167
10.1 支持向量機回歸模型 167
10.1.1 回歸支持向量機 167
10.1.2 模型中幾個重要參數(shù)分析 168
10.2 溫度序列數(shù)據(jù)分析 169
10.3 決策函數(shù)的確定 170
10.4 預測結果分析 171
10.5 結論 173
參考文獻 173