動態(tài)數據挖掘

前言
第一章 緒論
1.1 引言
1.2 數據挖掘概述
1.2.1 數據挖掘的基本概念
1.2.2 數據挖掘技術
1.3 動態(tài)數據挖掘
1.3.1 動態(tài)數據挖掘的產生
1.3.2 動態(tài)數據挖掘技術概述
參考文獻
第二章 數據流挖掘技術
2.1 概述
2.2 數據流挖掘技術
2.2.1 窗口技術
2.2.2 動態(tài)抽樣技術
2.2.3 概要數據結構
2.2.4 更新策略
2.3 數據流挖掘算法
2.3.1 數據流聚類算法
2.3.2 數據流分類算法
2.3.3 數據流頻繁項集挖掘算法
2.3.4 多數據流挖掘算法
2.4 數據流挖掘技術的應用
2.4.1 數據流管理系統(tǒng)
2.4.2 案例推理在數據流管理中的應用
參考文獻
第三章 分形數據挖掘技術
3.1 概述
3.2 數據集的分形維數
3.2.1 數據集分形維數的含義
3.2.2 數據集分形維數的計算方法
3.3 基于分形維數的約簡技術
3.3.1 分形屬性選擇及其改進算法
3.3.2 基于分形維數的案例庫維護算法
3.4 分形聚類算法
3.4.1 基于網格和分形維數的聚類算法
3.4.2 基于分形維數的數據流聚類算法
3.4.3 基于多重分形的聚類層次優(yōu)化算法
3.5 分形分類與預測技術
3.5.1 分形分類技術
3.5.2 分形預測技術
3.6 分形數據挖掘技術的應用
3.6.1 金融數據分析
3.6.2 網絡入侵檢測
參考文獻
第四章 聯機分析挖掘
4.1 概述
4.2 數據立方體
4.2.1 數據立方體簡介
4.2.2 數據立方體優(yōu)化方法
4.2.3 數據立方體物化方法研究
4.3 聯機分析處理
4.3.1 OLAP概念及分類
4.3.2 支持OLAP查詢的索引技術研究
4.3.3 OLAP動態(tài)查詢方法
4.4 聯機分析挖掘
4.4.1 聯機分析挖掘簡介
4.4.2 聯機分析挖掘體系結構
4.4.3 OLAP與數據挖掘技術的結合方法
參考文獻
第五章 經驗模態(tài)分解技術
5.1 概述
5.1.1 經驗模態(tài)分解基本理論
5.1.2 經驗模態(tài)分解研究現狀
5.2 基于經驗模態(tài)分解的序列趨勢的提取
5.2.1 引言
5.2.2 基于EMD方法的序列趨勢的提取
5.3 基于經驗模態(tài)分解的時間序列匹配算法
5.3.1 引言
5.3.2 基于交叉覆蓋算法的序列匹配算法
5.3.3 基于經驗模態(tài)分解和覆蓋算法的序列匹配算法
5.4 基于經驗模態(tài)分解的聚類算法
5.4.1 引言
5.4.2 基于經驗模態(tài)分解的數據降維技術
5.4.3 基于經驗模態(tài)分解和K-means聚類算法
5.5 基于經驗模態(tài)分解的流數據挖掘技術
5.5.1 引言
5.5.2 基于經驗模態(tài)分解的數據流概要生成技術
5.6 經驗模態(tài)分解動態(tài)數據挖掘技術的應用
5.6.1 引言
5.6.2 基于經驗模態(tài)分解和交叉覆蓋算法的個人信用的評估
5.6.3 基于經驗模態(tài)分解和K-means算法的客戶行為聚類
參考文獻
第六章 聯系發(fā)現技術
6.1 概述
6.2 基于圖挖掘的聯系發(fā)現
6.2.1 圖挖掘的相關概念和定義
6.2.2 基于圖論的無監(jiān)督的聯系發(fā)現算法
6.3 基于一階謂詞邏輯的聯系發(fā)現
6.3.1 一階謂詞邏輯的相關概念和定義
6.3.2 基于ILP的聯系發(fā)現算法
6.4 基于聯系發(fā)現的結合型數據挖掘方法
6.4.1 基于相關分析和聯系發(fā)現的結合
6.4.2 圖熵和聯系發(fā)現的結合
6.4.3 概率統(tǒng)計方法和聯系發(fā)現的結合
6.5 聯系發(fā)現技術的現實應用
6.5.1 聯系發(fā)現在反恐中的運用
6.5.2 聯系發(fā)現在金融反洗錢中的運用
參考文獻