數(shù)據(jù)流知識(shí)發(fā)現(xiàn)

1 緒論
1．1 什么是知識(shí)發(fā)現(xiàn)
1．2 知識(shí)發(fā)現(xiàn)的過程
1．3 新型數(shù)據(jù)流應(yīng)用
1．4 數(shù)據(jù)流定義及特點(diǎn)
1．5 數(shù)據(jù)流知識(shí)發(fā)現(xiàn)
1．5．1 數(shù)據(jù)流頻繁模式挖掘
1．5．2 數(shù)據(jù)流分類研究
1．5．3 數(shù)據(jù)流聚類
1．5．4 數(shù)據(jù)流離群點(diǎn)檢測(cè)
1．5．5 數(shù)據(jù)流時(shí)序數(shù)據(jù)分析
1．6 海量數(shù)據(jù)管理與并行及分布式計(jì)算
1．7 小結(jié)
2 海量數(shù)據(jù)管理的關(guān)鍵技術(shù)
2．1 海量數(shù)據(jù)硬件平臺(tái)模型
2．1．1 并行計(jì)算機(jī)體系結(jié)構(gòu)
2．1．2 集群并行計(jì)算系統(tǒng)
2．1．3 虛擬化及云
2．2 海量數(shù)據(jù)系統(tǒng)模型
2．2．1 Hadoop框架
2．2．2 Google Filc System-GFS
2．2．3 Memcached
2．2．4 SimpleDB
2．3 海量數(shù)據(jù)計(jì)算的基本算法
2．3．1 Map／Reduce
2．3．2 BigTable
2．3．3 NFS
2．3．4 AFS
2．4 傳統(tǒng)海量數(shù)據(jù)管理技術(shù)
2．4．1 并行數(shù)據(jù)劃分
2．4．2 并行事務(wù)調(diào)度
N．4．3 并行事務(wù)并發(fā)控制算法
2．5 數(shù)據(jù)流管理系統(tǒng)
2．5．1 STREAM
2．5．2 Aurora
2．5．3 Medusa
2．5．4 Borealis
2．5．5 其他
2．6 基于CPU和GPU的并行計(jì)算
2．6．1 并行計(jì)算機(jī)和模型
2．6．2 MPI+OpenMP混合模型
2．6．3 基于GPU的并行計(jì)算模型
2．6．4 基于CUDA的并行計(jì)算模型
2．6．5 并行數(shù)據(jù)流分析
2．7 小結(jié)
3 數(shù)據(jù)流關(guān)聯(lián)規(guī)則發(fā)現(xiàn)
3．1 關(guān)聯(lián)規(guī)則挖掘概述
3．2 關(guān)聯(lián)規(guī)則挖掘典型算法分析
3．2．1 基于規(guī)則中涉及的數(shù)據(jù)維數(shù)的挖掘算法
3．2．2 基于規(guī)則中涉及的抽象層次的挖掘算法
3．2．3 按變量類別不同而確定的挖掘算法
3．3 數(shù)據(jù)流上頻集挖掘核心問題
3．3．1 概要數(shù)據(jù)處理方法
3．3．2 滑動(dòng)窗口處理模型
3．3．3 挖掘算法分類
3．3．4 挖掘任務(wù)分類
3．4 基于前綴樹的頻繁閉項(xiàng)集挖掘PFIT算法
3．4．1 問題描述
3．4．2 前綴樹結(jié)構(gòu)描述
3．4．3 構(gòu)建前綴樹
3．4．4 挖掘前綴樹
3．4．5 實(shí)驗(yàn)
3．5 高效益項(xiàng)集挖掘算法FHUI-Growth
3．5．1 關(guān)聯(lián)規(guī)則效益度的定義及性質(zhì)
3．5．2 一種快速挖掘高效益項(xiàng)集的算法
3．5．3 實(shí)驗(yàn)
3．6 基于概念格的關(guān)聯(lián)規(guī)則挖掘算法
3．7 小結(jié)
4 數(shù)據(jù)流分類知識(shí)發(fā)現(xiàn)
4．1 數(shù)據(jù)分類模型與方法
4．1．1 數(shù)據(jù)流單分類器算法
4．1．2 數(shù)據(jù)流集成分類器算法
4．2 基于隱馬爾可夫模型的流數(shù)據(jù)分類算法
4．2．1 基于隱馬爾可夫模型的流數(shù)據(jù)分類算法
4．2．2 馬爾可夫鏈
4．2．3 隱馬爾可夫模型
4．3 基于隱馬爾可夫模型的流數(shù)據(jù)分類算法
4．3．1 訓(xùn)練樣本優(yōu)化
4．3．2 HMM_SDC算法
4．3．3 實(shí)驗(yàn)
4．3．4 結(jié)論
4．4 小結(jié)
5 數(shù)據(jù)流聚類挖掘
5．1 引言
5．2 聚類分析
5．2．1 相關(guān)概念
5．2．2 聚類分析中的數(shù)據(jù)類型
5．2．3 主要聚類分析方法分類
5．2．4 常見聚類分析方法的分析
5．3 數(shù)據(jù)流聚類算法（methods and algorithms）
5．3．1 STREAM算法
5．3．2 CluStream算法框架
5．3．3 HPStream算法框架
5．3．4 E-Stream算法
5．3．5 DenStrearn算法
5．3．6 D-Stream算法
5．3．7 CFR算法
5．4 數(shù)據(jù)流濾波問題研究
5．4．1 受系統(tǒng)參數(shù)影響的狀態(tài)空間模型
5．4．2 最小距離設(shè)計(jì)方法
5．4．3 SSUKF-JSIMM算法思想
5．4．4 SSUKF-JSIMM算法步驟
5．4．5 仿真實(shí)驗(yàn)
5．5 研究主題
5．5．1 一般性主題
5．5．2 面向具體應(yīng)用領(lǐng)域的問題
5．6 小結(jié)
6 時(shí)序和序列數(shù)據(jù)流挖掘
6．1 時(shí)間序列及其應(yīng)用
6．2 時(shí)間序列預(yù)測(cè)的常用方法
6．3 時(shí)間序列的相似性搜索
6．3．1 基于ARMA模型的時(shí)間序列相似性搜索
6．3．2 基于離散傅里葉變換的時(shí)間序列相似性查找
6．3．3 基于規(guī)范變換的查找方法
6．4 序列模式挖掘簡介
6．5 序列模式挖掘算法
6．5．1 Apriori算法
6．5．2 基于劃分的模式生長算法
6．5．3 基于序列比較的算法
6．6 支持約束的序列模式挖掘
6．6．1 約束的分類
6．6．2 支持約束的序列模式挖掘算法
6．7 周期模式挖掘
6．8 增量式序列模式挖掘
6．9 序列模式挖掘算法的比較分析
6．9．1 算法的定性比較
6．9．2 算法的時(shí)間和空間執(zhí)行效率比較
6．9．3 算法適用范圍分析
6．10 序列挖掘在生物信息領(lǐng)域的應(yīng)用
6．10．1 蛋白質(zhì)功能的計(jì)算方法簡介
6．10．2 一種改進(jìn)的蛋白質(zhì)功能預(yù)測(cè)方法PP_WNP[36]
6．10．3 實(shí)驗(yàn)結(jié)果分析
6．10．4 結(jié)論
6．11 小結(jié)