基于内在认知机理的知识发现理论

基于内在认知机理的知识发现理论
作　者： 杨炳儒
出版社： 国防工业出版社
丛编项：
版权说明： 本书为出版图书，暂不支持在线阅读，请支持正版图书
标　签： 人工智能
ISBN 出版时间 包装 开本 页数 字数
未知 暂无 暂无 未知 0 暂无

作者简介

　　杨炳儒，北京科技大学信息工程学院首席一级教授、博士生导师。任多项学术职务以及国内外多家著名刊物的评审专家；曾十余次出国参加国际学术会议、讲学与合作研究；是享受国务院特殊精贴的有突出贡献的专家与国际注册科技专家。杨炳儒教授是国内较早进入知识发现领域的学者；于2002年在国内外率先构造了“基于内在认知机理的知识发现理论体系KDTlCM”（被国际著名科学家L A Zadeh、R A Ha—mid等与国内多位院士评价为“原创性理论”，获“成就奖”与“杰出成就奖”国际奖励），并研发了具自主知识产权的软件系统lCCKDSS并成功应用于8个领域；开拓KDK专题方向，提出4种基于KDTlCM的智能系统新构造，并系统地总结与提出知识发现领域面临的5类重大问题（两大核心问题、两大猜想问题、主流发展中挑战性问题、相关领域重大问题、技术标准制定问题）；取得生物信息学领域国际性难题——蛋白质2级结构预测精度的突破。在国内外发表学术论文近450篇；被SCI、EI、ISTP收录共155篇，被引用411次；出版著作15部（独专著8部，合编著7部）；通过正式签定或验收的国家与省部级科研课题30余项；获位于第一名的国际与国内重要科技奖励10项、教学研究成果奖多项；获国家发明专利4项（另通过实审3项受理3项）。先后培养与指导青年教师2名、博士后1名、博士生67名、硕士生73名、外国留学生7名。

内容简介

《基于内在认知机理的知识发现理论》作为知识发现基础理论构造的雏形已在2002年形成，经过不断补充、修正与完善，呈现了《基于内在认知机理的知识发现理论》知识演绎的形态（《基于内在认知机理的知识发现理论》的全部内容基本上均来自于笔者独立发表的论著和研究报告）。《基于内在认知机理的知识发现理论》中的引论部分是从国际学科发展的视角上系统地刻画知识发现（数据挖掘）作为意识形态运动的基本轨迹，以及解决上述罗列的重大问题的带有前瞻性的描述；《基于内在认知机理的知识发现理论》的重点内容是阐述多层、递阶的基于内在认知机理的知识发现理论体系——KDTICM；并通过成功的应用验证其科学性与有效性，体现其科学创新价值与应用创新价值。2003年8月27日在华盛顿召开的第九届知识发现与数据挖掘国际会议上，与会专家一致认为：知识发现（数据挖掘）正面临着巨大的机遇与挑战，同时在其当前进展中面临着“理论知识匮乏”的一大核心问题。如何超越主流发展（即以知识发现的任务描述、知识评价、知识表示为主线，以有效的知识发现算法为中心），构建与其认知本质相适应的理论体系？如何在理论体系的指导下，解决主流发展中的若干挑战性问题？如何利用理论系统解决领域内外相关的重大问题？这一切均历史地、逻辑地摆在我们的面前。

图书目录

引论

第1章 知识发现系统的理论基础

1.1 知识发现的逻辑基础

1.1.1 因果关系定性推理

1.1.2 广义细胞自动机与广义归纳逻辑因果模型

1.1.3 基于知识发现的因果自动机CAKD

1.2 知识发现的方法论基础

1.2.1 新的知识表示方法

1.2.2 新的预处理方法

1.3 知识发现的认知基础

1.3.1 知识发现的认知心理学基础

1.3.2 知识发现的认知物理学基础

1.3.3 知识发现的认知生物学基础

第2章 知识发现系统的内在认知机理

2.1 引言

2.1.1 内在认知机理的研究背景

2.1.2 内在认知机理研究的意义——对知识发现主流发展的影响-

2.2 双库协同机制

2.2.1 双库协同机制的提出

2.2.2 双库协同机制的内涵

2.2.3 双库协同机制的理论框架

2.2.4 进一步讨论

2.3 双基融合机制

2.3.1 KDK简介

2.3.2 双基融合机制的内涵

2.3.3 双基融合机制的理论框架

2.4 信息扩张机制

2.4.1 信息扩张机制的内涵

2.4.2 动态挖掘进程中规则参数演化规律

2.4.3 动态挖掘进程中矛盾性知识研究

2.4.4 变论域下阈值综合设置

2.4.5 知识发现中信息熵方法的研究

2.5 免疫进化机制

2.5.1 引言

2.5.2 免疫进化机制的提出

2.5.3 再次应答与免疫构件的设计

2.5.4 基于免疫进化机制的知识发现过程模型

2.5.5 基于免疫进化机制与新过程模型派生出的新算法

第3章 内在认知机理诱导出的新过程模型

3.1 KDD（KDDKDD+双库协同机制）

3.1.1 KDD的过程模型

3.1.2 KDD-双库协同机制的技术实现

3.1.3 KDD的特征

3.1.4 KDD的多Agent实现

3.2 KDK（KDKKDK+双基融合机制）

3.2.1 KDK的过程模型

3.2.2 KDK中双基融合机制的技术实现

3.2.3 实例验证

3.3 KD（D&K）（KD（D&K）KDD+KDK）

3.3.1 KD（D&K）系统的总体过程模型

3.3.2 KD（D&K）的动态知识库系统

3.3.3 KD（D&K）的特征

3.4 分布式知识发现模型DKD（D&K）

3.4.1 DKD（D&K）系统的总体过程模型

3.4.2 DKD（D&K）系统的特征

3.5 信息扩张机制诱导出的扩展性过程模型

3.5.1 KDD*E总体过程模型

3.5.2 基于信息熵的关联规则挖掘定向聚焦

3.5.3 KD（D&K）*概述

3.6 用于复杂类型数据挖掘的发现特征子空间模型DFSSM

3.6.1 基于复杂类型数据的知识表示方法

3.6.2 DFSSM的总体结构

3.7 基于DFSSM的图像挖掘过程模型IMDFSSM

第4章 内在认知机理与新过程模型派生出的新技术方法

4.1 挖掘关联规则的新算法——Maradbcm算法

4.1.1 Maradbcm算法的实现

4.1.2 Maradbcm算法的性能分析

4.2 基于数据库信息熵的关联规则挖掘算法

4.2.1 简介

4.2.2 数据库信息熵

4.2.3 求数据库信息熵的算法

4.2.4 求最小支持度阈值的算法

4.2.5 基于数据库信息熵的关联规则的挖掘算法

4.2.6 结论

4.3 源于KD（D&K）分布式数据库关联规则挖掘算法

4.3.1 基于垂直分片的分布式关联规则挖掘算法

4.3.2 基于水平分片的分布式关联规则挖掘算法

4.4 源于KDD*的因果关联规则的自动评价方法

4.4.1 引论

4.4.2 因果关系自动推理机制与评价知识库的构建

4.4.3 认证逻辑的分析方法与应用

4.4.4 评价算法（评价规则Ai-sj）

4.5 聚类规则的挖掘算法

4.5.1 评价函数

4.5.2 编码、交叉和突变策略

4.5.3 基于双库协同机制的数值域划分算法（数据聚类算法）描述

4.6 基于信息熵的决策树分类算法——SID3算法

4.6.1 基于信息熵的分类器构造及SID3算法

4.6.2 SIDl3算法与ID3算法的分析与比较

4.7 基于小波神经网络的混沌模式的挖掘算法

4.7.1 小波神经网络学习算法

4.7.2 小波神经网络对混沌模式的提取

4.8 源于DIFSSM的web文本分类挖掘算法

4.9 源于DFSSM的Web文本聚类挖掘算法TLDFSSM

4.9.1 TIDFSSM中类别及距离测度

4.9.2 TLDFSSM中自组织特征映射网络SOM网络模型

4.9.3 TLDFSSM聚类分析算法描述

4.10 基于相似模式的图像信息挖掘算法

4.10.1 基于双库协同机制的图像多维关联规则挖掘算法（nRMA）

4.10.2 基于区域不变小波矩图像相似匹配挖掘

4.10.3 相似模式挖掘算法

4.11 基于广义后缀树的事件序列频繁情节发现算法

4.11.1 事件序列频繁情节相关概念

4.11.2 频繁情节广义后缀树

4.11.3 基于广义后缀树的频繁情节发现算法

4.11.4 长事件序列的频繁情节发现

4.12 空间数据挖掘算法

4.12.1 空间数据挖掘的研究与发展

4.12.2 简单多边形的快速单调剖分算法

4.12.3 基于Delaunay三角网的可视化空间数据聚类

4.13 多关系数据挖掘算法

4.13.1 引言

4.13.2 基于边凝聚系数的简单图社区结构发现算法

4.13.3 面向语义的精简化多关系频繁模式发现方法

4.13.4 一种新的多关系朴素贝叶斯分类器

4.14 KDK相关算法

4.14.1 KDK简介

4.14.2 基于事实的KDK建模与挖掘算法

4.14.3 基于规则的KDK建模与挖掘算法

……

第5章 KDTICM中引发出的新型实用智能系统

参考文献