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(xué)問(wèn)題 5
1.2.1 相關(guān)概念 5
1.2.2 統(tǒng)計(jì)學(xué)習(xí)的一般模型 10
1.3 數(shù)據(jù)的變換 11
參考文獻(xiàn) 13
第2章 神經(jīng)網(wǎng)絡(luò)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(xué)模型 24
2.2.4 單層與多層網(wǎng)絡(luò)結(jié)構(gòu) 27
2.2.5 網(wǎng)絡(luò)學(xué)習(xí)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(xué)問(wèn)題 5
1.2.1 相關(guān)概念 5
1.2.2 統(tǒng)計(jì)學(xué)習(xí)的一般模型 10
1.3 數(shù)據(jù)的變換 11
參考文獻(xiàn) 13
第2章 神經(jīng)網(wǎng)絡(luò)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(xué)模型 24
2.2.4 單層與多層網(wǎng)絡(luò)結(jié)構(gòu) 27
2.2.5 網(wǎng)絡(luò)學(xué)習(xí)方式 32
2.2.6 經(jīng)典學(xué)習(xí)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(luò)BP算法 44
參考文獻(xiàn) 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(fēng)險(xiǎn)控制策略 65
3.2.1 VC維概念 65
3.2.2 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則 66
3.2.3 結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則 67
3.3 樣本被錯(cuò)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(cuò)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(gòu)造算法 85
參考文獻(xiàn) 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(gè)基本算法 95
參考文獻(xiàn) 102
第5章 新型支持向量誘導(dǎo)回歸模型及應(yīng)用 104
5.1 新型支持向量誘導(dǎo)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(shí)間序列分析的相空間重構(gòu) 108
5.2.1 相空間重構(gòu) 108
5.2.2 性能評(píng)價(jià)指標(biāo) 109
5.2.3 重構(gòu)模式的近似算法 110
5.3 預(yù)測(cè)置信度估計(jì) 110
5.4 實(shí)驗(yàn)結(jié)果 111
5.4.1 參數(shù)的確定 111
5.4.2 預(yù)測(cè)指數(shù)分析 112
5.4.3 預(yù)測(cè)結(jié)果 113
5.4.4 SVM和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較 115
5.4.5 討論 116
參考文獻(xiàn) 117
第6章 基于快速訓(xùn)練算法的HMM/SVM混合系統(tǒng) 118
6.1 L值定義 118
6.2 快速訓(xùn)練算法和HMM/SVM混合過(guò)濾模型 119
6.2.1 基于HMM的快速訓(xùn)練算法 119
6.2.2 HMM/SVM的雙層混合系統(tǒng)模型 120
6.3 實(shí)驗(yàn)結(jié)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(shí)別 123
6.3.3 討論 126
參考文獻(xiàn) 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(xué)模型 129
7.2 獨(dú)立成分分析（ICA）的數(shù)學(xué)模型 131
7.3 分解向前支持向量機(jī) 133
7.3.1 三個(gè)距離區(qū)域 133
7.3.2 分解向前算法 134
7.3.3 DFSVM算法復(fù)雜度分析 136
7.3.4 PCA-DFSVM及ICA-DFSVM降維模型 137
7.4 實(shí)驗(yàn)結(jié)果 138
7.4.1 SCOP數(shù)據(jù)庫(kù) 138
7.4.2 實(shí)驗(yàn)1 138
7.4.3 實(shí)驗(yàn)2 139
7.4.4 各項(xiàng)實(shí)驗(yàn)指標(biāo)比較 140
7.4.5 討論 141
參考文獻(xiàn) 141
第8章 不對(duì)稱支持向量機(jī)改進(jìn)算法及應(yīng)用 143
8.1 不對(duì)稱支持向量機(jī) 143
8.1.1 樣本的不對(duì)稱性 143
8.1.2 不對(duì)稱支持向量機(jī)算法 143
8.1.3 不對(duì)稱SVM分類迭代模型 146
8.2 幾種多分類問(wèn)題的算法復(fù)雜度估計(jì) 146
8.3 實(shí)驗(yàn)結(jié)果 149
8.3.1 實(shí)驗(yàn)1 150
8.3.2 實(shí)驗(yàn)2 151
8.3.3 MISVM和標(biāo)準(zhǔn)SVM實(shí)驗(yàn)指標(biāo)比較 153
參考文獻(xiàn) 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(duì) 157
9.2.1 多重序列比對(duì)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(shí)驗(yàn)結(jié)果和討論 161
9.5.1 Pfam數(shù)據(jù)庫(kù)簡(jiǎn)介 161
9.5.2 建立隱馬爾可夫模型 162
9.5.3 檢驗(yàn)HMMS模型 162
9.5.4 用HMMS進(jìn)行蛋白質(zhì)家族的模式分類 163
9.6 關(guān)于模型的局限性討論 164
參考文獻(xiàn) 165
第10章 一類基于SVM/RBF的氣象模型預(yù)測(cè)系統(tǒng) 167
10.1 支持向量機(jī)回歸模型 167
10.1.1 回歸支持向量機(jī) 167
10.1.2 模型中幾個(gè)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(yù)測(cè)結(jié)果分析 171
10.5 結(jié)論 173
參考文獻(xiàn) 173