基于內(nèi)在認知機理的知識發(fā)現(xiàn)理論

定　價：￥85.00

作　者：	楊炳儒著
出版社：	國防工業(yè)出版社
叢編項：
標　簽：	人工智能

購買這本書可以去

ISBN：	9787118062304	出版時間：	2009-07-01	包裝：	精裝
開本：	16開	頁數(shù)：	368	字數(shù)：

內(nèi)容簡介

　　《基于內(nèi)在認知機理的知識發(fā)現(xiàn)理論》作為知識發(fā)現(xiàn)基礎理論構造的雛形已在2002年形成，經(jīng)過不斷補充、修正與完善，呈現(xiàn)了《基于內(nèi)在認知機理的知識發(fā)現(xiàn)理論》知識演繹的形態(tài)（《基于內(nèi)在認知機理的知識發(fā)現(xiàn)理論》的全部內(nèi)容基本上均來自于筆者獨立發(fā)表的論著和研究報告）?！痘趦?nèi)在認知機理的知識發(fā)現(xiàn)理論》中的引論部分是從國際學科發(fā)展的視角上系統(tǒng)地刻畫知識發(fā)現(xiàn)（數(shù)據(jù)挖掘）作為意識形態(tài)運動的基本軌跡，以及解決上述羅列的重大問題的帶有前瞻性的描述；《基于內(nèi)在認知機理的知識發(fā)現(xiàn)理論》的重點內(nèi)容是闡述多層、遞階的基于內(nèi)在認知機理的知識發(fā)現(xiàn)理論體系——KDTICM；并通過成功的應用驗證其科學性與有效性，體現(xiàn)其科學創(chuàng)新價值與應用創(chuàng)新價值。2003年8月27日在華盛頓召開的第九屆知識發(fā)現(xiàn)與數(shù)據(jù)挖掘國際會議上，與會專家一致認為：知識發(fā)現(xiàn)（數(shù)據(jù)挖掘）正面臨著巨大的機遇與挑戰(zhàn)，同時在其當前進展中面臨著“理論知識匱乏”的一大核心問題。如何超越主流發(fā)展（即以知識發(fā)現(xiàn)的任務描述、知識評價、知識表示為主線，以有效的知識發(fā)現(xiàn)算法為中心），構建與其認知本質相適應的理論體系？如何在理論體系的指導下，解決主流發(fā)展中的若干挑戰(zhàn)性問題？如何利用理論系統(tǒng)解決領域內(nèi)外相關的重大問題？這一切均歷史地、邏輯地擺在我們的面前。

作者簡介

　　楊炳儒，北京科技大學信息工程學院首席一級教授、博士生導師。任多項學術職務以及國內(nèi)外多家著名刊物的評審專家；曾十余次出國參加國際學術會議、講學與合作研究；是享受國務院特殊精貼的有突出貢獻的專家與國際注冊科技專家。楊炳儒教授是國內(nèi)較早進入知識發(fā)現(xiàn)領域的學者；于2002年在國內(nèi)外率先構造了“基于內(nèi)在認知機理的知識發(fā)現(xiàn)理論體系KDTlCM”（被國際著名科學家L A Zadeh、R A Ha—mid等與國內(nèi)多位院士評價為“原創(chuàng)性理論”，獲“成就獎”與“杰出成就獎”國際獎勵），并研發(fā)了具自主知識產(chǎn)權的軟件系統(tǒng)lCCKDSS并成功應用于8個領域；開拓KDK專題方向，提出4種基于KDTlCM的智能系統(tǒng)新構造，并系統(tǒng)地總結與提出知識發(fā)現(xiàn)領域面臨的5類重大問題（兩大核心問題、兩大猜想問題、主流發(fā)展中挑戰(zhàn)性問題、相關領域重大問題、技術標準制定問題）；取得生物信息學領域國際性難題——蛋白質2級結構預測精度的突破。在國內(nèi)外發(fā)表學術論文近450篇；被SCI、EI、ISTP收錄共155篇，被引用411次；出版著作15部（獨專著8部，合編著7部）；通過正式簽定或驗收的國家與省部級科研課題30余項；獲位于第一名的國際與國內(nèi)重要科技獎勵10項、教學研究成果獎多項；獲國家發(fā)明專利4項（另通過實審3項受理3項）。先后培養(yǎng)與指導青年教師2名、博士后1名、博士生67名、碩士生73名、外國留學生7名。

圖書目錄

引論
第1章知識發(fā)現(xiàn)系統(tǒng)的理論基礎
1.1 知識發(fā)現(xiàn)的邏輯基礎
1.1.1 因果關系定性推理
1.1.2 廣義細胞自動機與廣義歸納邏輯因果模型
1.1.3 基于知識發(fā)現(xiàn)的因果自動機CAKD
1.2 知識發(fā)現(xiàn)的方法論基礎
1.2.1 新的知識表示方法
1.2.2 新的預處理方法
1.3 知識發(fā)現(xiàn)的認知基礎
1.3.1 知識發(fā)現(xiàn)的認知心理學基礎
1.3.2 知識發(fā)現(xiàn)的認知物理學基礎
1.3.3 知識發(fā)現(xiàn)的認知生物學基礎
第2章知識發(fā)現(xiàn)系統(tǒng)的內(nèi)在認知機理
2.1 引言
2.1.1 內(nèi)在認知機理的研究背景
2.1.2 內(nèi)在認知機理研究的意義——對知識發(fā)現(xiàn)主流發(fā)展的影響-
2.2 雙庫協(xié)同機制
2.2.1 雙庫協(xié)同機制的提出
2.2.2 雙庫協(xié)同機制的內(nèi)涵
2.2.3 雙庫協(xié)同機制的理論框架
2.2.4 進一步討論
2.3 雙基融合機制
2.3.1 KDK簡介
2.3.2 雙基融合機制的內(nèi)涵
2.3.3 雙基融合機制的理論框架
2.4 信息擴張機制
2.4.1 信息擴張機制的內(nèi)涵
2.4.2 動態(tài)挖掘進程中規(guī)則參數(shù)演化規(guī)律
2.4.3 動態(tài)挖掘進程中矛盾性知識研究
2.4.4 變論域下閾值綜合設置
2.4.5 知識發(fā)現(xiàn)中信息熵方法的研究
2.5 免疫進化機制
2.5.1 引言
2.5.2 免疫進化機制的提出
2.5.3 再次應答與免疫構件的設計
2.5.4 基于免疫進化機制的知識發(fā)現(xiàn)過程模型
2.5.5 基于免疫進化機制與新過程模型派生出的新算法
第3章內(nèi)在認知機理誘導出的新過程模型
3.1 KDD（KDDKDD+雙庫協(xié)同機制）
3.1.1 KDD的過程模型
3.1.2 KDD-雙庫協(xié)同機制的技術實現(xiàn)
3.1.3 KDD的特征
3.1.4 KDD的多Agent實現(xiàn)
3.2 KDK（KDKKDK+雙基融合機制）
3.2.1 KDK的過程模型
3.2.2 KDK中雙基融合機制的技術實現(xiàn)
3.2.3 實例驗證
3.3 KD（D&K）（KD（D&K）KDD+KDK）
3.3.1 KD（D&K）系統(tǒng)的總體過程模型
3.3.2 KD（D&K）的動態(tài)知識庫系統(tǒng)
3.3.3 KD（D&K）的特征
3.4 分布式知識發(fā)現(xiàn)模型DKD（D&K）
3.4.1 DKD（D&K）系統(tǒng)的總體過程模型
3.4.2 DKD（D&K）系統(tǒng)的特征
3.5 信息擴張機制誘導出的擴展性過程模型
3.5.1 KDD*E總體過程模型
3.5.2 基于信息熵的關聯(lián)規(guī)則挖掘定向聚焦
3.5.3 KD（D&K）*概述
3.6 用于復雜類型數(shù)據(jù)挖掘的發(fā)現(xiàn)特征子空間模型DFSSM
3.6.1 基于復雜類型數(shù)據(jù)的知識表示方法
3.6.2 DFSSM的總體結構
3.7 基于DFSSM的圖像挖掘過程模型IMDFSSM
第4章內(nèi)在認知機理與新過程模型派生出的新技術方法
4.1 挖掘關聯(lián)規(guī)則的新算法——Maradbcm算法
4.1.1 Maradbcm算法的實現(xiàn)
4.1.2 Maradbcm算法的性能分析
4.2 基于數(shù)據(jù)庫信息熵的關聯(lián)規(guī)則挖掘算法
4.2.1 簡介
4.2.2 數(shù)據(jù)庫信息熵
4.2.3 求數(shù)據(jù)庫信息熵的算法
4.2.4 求最小支持度閾值的算法
4.2.5 基于數(shù)據(jù)庫信息熵的關聯(lián)規(guī)則的挖掘算法
4.2.6 結論
4.3 源于KD（D&K）分布式數(shù)據(jù)庫關聯(lián)規(guī)則挖掘算法
4.3.1 基于垂直分片的分布式關聯(lián)規(guī)則挖掘算法
4.3.2 基于水平分片的分布式關聯(lián)規(guī)則挖掘算法
4.4 源于KDD*的因果關聯(lián)規(guī)則的自動評價方法
4.4.1 引論
4.4.2 因果關系自動推理機制與評價知識庫的構建
4.4.3 認證邏輯的分析方法與應用
4.4.4 評價算法（評價規(guī)則Ai-sj）
4.5 聚類規(guī)則的挖掘算法
4.5.1 評價函數(shù)
4.5.2 編碼、交叉和突變策略
4.5.3 基于雙庫協(xié)同機制的數(shù)值域劃分算法（數(shù)據(jù)聚類算法）描述
4.6 基于信息熵的決策樹分類算法——SID3算法
4.6.1 基于信息熵的分類器構造及SID3算法
4.6.2 SIDl3算法與ID3算法的分析與比較
4.7 基于小波神經(jīng)網(wǎng)絡的混沌模式的挖掘算法
4.7.1 小波神經(jīng)網(wǎng)絡學習算法
4.7.2 小波神經(jīng)網(wǎng)絡對混沌模式的提取
4.8 源于DIFSSM的web文本分類挖掘算法
4.9 源于DFSSM的Web文本聚類挖掘算法TLDFSSM
4.9.1 TIDFSSM中類別及距離測度
4.9.2 TLDFSSM中自組織特征映射網(wǎng)絡SOM網(wǎng)絡模型
4.9.3 TLDFSSM聚類分析算法描述
4.10 基于相似模式的圖像信息挖掘算法
4.10.1 基于雙庫協(xié)同機制的圖像多維關聯(lián)規(guī)則挖掘算法（nRMA）
4.10.2 基于區(qū)域不變小波矩圖像相似匹配挖掘
4.10.3 相似模式挖掘算法
4.11 基于廣義后綴樹的事件序列頻繁情節(jié)發(fā)現(xiàn)算法
4.11.1 事件序列頻繁情節(jié)相關概念
4.11.2 頻繁情節(jié)廣義后綴樹
4.11.3 基于廣義后綴樹的頻繁情節(jié)發(fā)現(xiàn)算法
4.11.4 長事件序列的頻繁情節(jié)發(fā)現(xiàn)
4.12 空間數(shù)據(jù)挖掘算法
4.12.1 空間數(shù)據(jù)挖掘的研究與發(fā)展
4.12.2 簡單多邊形的快速單調剖分算法
4.12.3 基于Delaunay三角網(wǎng)的可視化空間數(shù)據(jù)聚類
4.13 多關系數(shù)據(jù)挖掘算法
4.13.1 引言
4.13.2 基于邊凝聚系數(shù)的簡單圖社區(qū)結構發(fā)現(xiàn)算法
4.13.3 面向語義的精簡化多關系頻繁模式發(fā)現(xiàn)方法
4.13.4 一種新的多關系樸素貝葉斯分類器
4.14 KDK相關算法
4.14.1 KDK簡介
4.14.2 基于事實的KDK建模與挖掘算法
4.14.3 基于規(guī)則的KDK建模與挖掘算法
……
第5章 KDTICM中引發(fā)出的新型實用智能系統(tǒng)
參考文獻