第1章  绪论

  1.1  研究背景

  1.2  数据挖掘的基本数学问题

    1.2.1  相关概念

    1.2.2  统计学习的一般模型

  1.3  数据的变换

  参考文献

第2章  神经网络挖掘理论

  2.1  神经智能

  2.2  生物神经元和人工神经元

    2.2.1  生物神经元

    2.2.2  人工神经元

    2.2.3  建立数学模型

    2.2.4  单层与多层网络结构

    2.2.5  网络学习方式

    2.2.6  经典学习规则

  2.3  LMS和SDA方法

    2.3.1  平均平方误差函数

    2.3.2  LMS和SDA算法

  2.4  后向传播算法

    2.4.1  概况

    2.4.2  多层网络BP算法

  参考文献

第3章  基于支持向量的挖掘理论

  3.1  支持向量与分类超平面

    3.1.1  一维情形

    3.1.2  二维情形

    3.1.3  三维情形

    3.1.4  n维情形（n＞3 ）

    3.1.5  核函数（内积回旋）思想

    3.1.6  核函数定义

  3.2  风险控制策略

    3.2.1  VC维概念

    3.2.2  经验风险最小化原则

    3.2.3  结构风险最小化原则

  3.3  样本被错分的讨论

    3.3.1  最大间隔分类超平面

    3.3.2  数据被错分的条件

  3.4  最优化策略

  3.5  分类与回归

    3.5.1  分类算法

    3.5.2  回归算法

    3.5.3  解的全局最优讨论

  3.6  几种经典算法描述

    3.6.1  分解算法

    3.6.2  分块算法

    3.6.3  序贯最小化算法

    3.6.4  核函数构造算法

  参考文献

第4章  隐马尔可夫挖掘理论

  4.1  马尔可夫思想

  4.2  隐马尔可夫链

  4.3  隐马尔可夫模型

    4.3.1  隐马尔可夫模型定义

    4.3.2  三个基本算法

  参考文献

第5章  新型支持向量诱导回归模型及应用

  5.1  新型支持向量诱导回归模型

    5.1.1   不敏感损失函数

    5.1.2  系统模型

  5.2  时间序列分析的相空间重构

    5.2.1  相空间重构

    5.2.2  性能评价指标

    5.2.3  重构模式的近似算法

  5.3  预测置信度估计

  5.4  实验结果

    5.4.1  参数的确定

    5.4.2  预测指数分析

    5.4.3  预测结果

    5.4.4  SVM和传统神经网络的比较

    5.4.5  讨论

  参考文献

第6章  基于快速训练算法的HMM/SVM混合系统

  6.1  L值定义

  6.2  快速训练算法和HMM/SVM混合过滤模型

    6.2.1  基于HMM的快速训练算法

    6.2.2  HMM/SVM的双层混合系统模型

  6.3  实验结果

    6.3.1  数据的获取及序列的编码

    6.3.2  DNA的两类和多类分类识别

    6.3.3  讨论

  参考文献

第7章  分解向前算法及PCA/ICA降维SVM模型

  7.1  主成分分析（PCA）的数学模型

  7.2  独立成分分析（ICA）的数学模型

  7.3  分解向前支持向量机

    7.3.1  三个距离区域

    7.3.2  分解向前算法

    7.3.3  DFSVM算法复杂度分析

    7.3.4  PCA-DFSVM及ICA-DFSVM降维模型

  7.4  实验结果

    7.4.1  SCOP数据库

    7.4.2  实验1

    7.4.3  实验2

    7.4.4  各项实验指标比较

    7.4.5  讨论

  参考文献

第8章  不对称支持向量机改进算法及应用

  8.1  不对称支持向量机

    8.1.1  样本的不对称性

    8.1.2  不对称支持向量机算法

    8.1.3  不对称SVM分类迭代模型

  8.2  几种多分类问题的算法复杂度估计

  8.3  实验结果

    8.3.1  实验1

    8.3.2  实验2

    8.3.3  MISVM和标准SVM实验指标比较

  参考文献

第9章  基于隐马尔可夫模型的多重序列分析

  9.1  研究背景

  9.2  多重序列比对

    9.2.1  多重序列比对的描述

    9.2.2  特征序列

  9.3  隐马尔可夫模型的序列描述

  9.4  建立多重序列隐马尔可夫轮廓图

  9.5  实验结果和讨论

    9.5.1  Pfam数据库简介

    9.5.2  建立隐马尔可夫模型

    9.5.3  检验HMMS模型

    9.5.4  用HMMS进行蛋白质家族的模式分类

  9.6  关于模型的局限性讨论

  参考文献

第10章  一类基于SVM/RBF的气象模型预测系统

  10.1  支持向量机回归模型

    10.1.1  回归支持向量机

    10.1.2  模型中几个重要参数分析

  10.2  温度序列数据分析

  10.3  决策函数的确定

  10.4  预测结果分析

  10.5  结论

  参考文献