WITOLD PEDRYCZ，博士，加拿大阿尔伯塔大学教授，加拿大首席专家。他还任职于波兰科学院系统研究所（波兰、华沙）。Pedrycz博士是IEEE Fellow，已经编写了9部专著，编辑了9卷书籍，在计算智能、粒计算、模式识别、定量软件工程和数据挖掘方面发表了很多论文。

　　《基于知识的聚类：从数据到信息粒》首先对模糊聚类和粒计算这一领域进行介绍和讨论。然后，作者深入研究了基于逻辑的神经元和神经网络。《基于知识的聚类：从数据到信息粒》的核心部分包括9章，在其中呈现和分析了众多不同的基于知识的聚类的方法。
　　基于知识的聚类展示的是如何设计一个导航平台，以使信息探寻者能理解和较好的应用种类繁多的数据集。比模糊聚类走得更远，作者展示了基于知识的聚类这一有前景的新范例是如何揭示更有意义的数据结构，并使社会更好地处理日益增长的数据和信息流。通过这《基于知识的聚类：从数据到信息粒》，读着能理解基于知识聚类的基础和与其相关联的算法，学会将他们自己的知识应用到系统建模和设计中去。
　　《基于知识的聚类：从数据到信息粒》的第三部分致力于模型的研究，首先讨论超盒结构，然后讨论粒映射和语言模型。
　　《基于知识的聚类：从数据到信息粒》提供了理解和掌握这一令人振奋的新领域所需要的所有工具和指导：
　　◆说明核心概念的众多实例
　　◆为读者提供传递经验的可重复实验
　　◆为复杂算法和建模奠定基础的先决条件的全面涵盖
　　◆每章后面强调理解内容所必须的关急键点的总结
　　◆通向专题探究的进一步途径的参考文献和泛的参考书目
　　《基于知识的聚类：从数据到信息粒》是对聚类、模糊聚类、无监督学习、神经网络、模糊集、模式识别和系统建模感兴趣的研究人员、专家及学生的必读之物。有了作者对掌握必备知识的强调，以及精心构建的实例和实验，读者将成功地使自己成为基于知识聚类的专家。
　　WITOLDPEDRYCZ，博士，加拿大阿尔伯塔大学教授，加拿大首席专家。他还任职于波兰科学院系统研究所（波兰、华沙）。Pedrycz博士是IEEEFellow，已经编写了9部专著，编辑了9卷书籍，在计算智能、粒计算、模式识别、定量软件工程和数据挖掘方面发表了很多论文。

第1章 聚类和模糊聚类
1.1 引言
1.2 基本概念和符号
1.2.1 数据类型
1.2.2 距离和相似性
1.3 聚类算法的主要类别
1.3.1 层次聚类
1.3.2 基于目标函数的聚类
1.4 聚类和分类
1.5 模糊聚类
1.6 聚类有效性
1.7 基于目标函数的聚类算法的扩展
1.7.1 模糊类的扩展几何性质：模糊C变体
1.7.2 可能性聚类
1.7.3 带噪音的聚类
1.8 自组织图和基于模糊目标函数的聚类
1.9 总结
参考文献

第2章 粒信息计算：模糊集与模糊关系
2.1 粒计算的范例：信息粒和信息粒的处理
2.2 模糊集——以人为中心的信息粒
2.3 模糊集的运算
2.4 模糊关系
2.5 两个模糊集的比较
2.6 模糊集的一般化.
2.7 阴影集
2.8 粗糙集.
2.9 粒计算与分布式处理
2.10 总结
参考文献

第3章 面向逻辑的神经计算
3.1 引言
3.2 模糊神经元的主要类别
3.2.1 聚合神经元
3.2.2 参照神经元
3.3 逻辑网络的结构
3.4 网络的解释性
3.5 逻辑处理的粒化界面
3.6 总结
参考文献

第4章 条件模糊聚类
4.1 引言
4.2 问题陈述：上下文模糊集和目标函数
4.3 最优化问题
4.4 关于条件聚类计算方面的思考
4.5 通过聚合算子将算法一般化
4.6 具有空间约束的模糊聚类
4.7 总结
参考文献

第5章 部分监督聚类
5.1 引言
5.2 问题形式化
5.3 类的设计
5.4 实验案例
5.5 基于类的跟踪问题
5.6 总结
参考文献

第6章 模糊聚类中基于知识的指导原则
6.1 引言
6.2 面向知识提示的样例及一般性分类
6.3 知识强化聚类的优化环境
6.4 基于知识指导提示的量化及优化
6.5 交互过程的组织
6.6 基于相似性的聚类(P-FCM)
6.7 网页挖掘和P-FCM
6.8 基于知识提示的语言强化
6.9 总结
参考文献

第7章 协作聚类
7.1 引言及基本概念
7.2 横向聚类和纵向聚类
7.3 横向协作聚类
7.3.1 优化细节
7.3.2 协作聚类的计算流程
7.3.3 聚类中合作现象的定量描述
7.4 实验研究
7.5 横向聚类的进一步改善
7.6 纵向聚类算法
7.7 横向聚类与纵向聚类的网格模型
7.8 一致性聚类
7.9 总结
参考文献

第8章 方向聚类
8.1 引言
8.2 问题形式化
8.2.1 目标函数
8.2.2 信息粒的逻辑变换
8.3 算法
8.4 方向聚类的设计框架
8.5 数值研究
8.6 总结
参考文献

第9章 模糊关联聚类
9.1 引言及问题描述
9.2 用于关联数据的FCM
9.3 模糊关联模式的分解
9.3.1 分解问题的梯度解
9.3.2 分解问题的神经网络模型
9.4 比较分析
9.5 总结
参考文献

第10章 各向异性数据模式的模糊聚类
10.1 引言
10.2 各向异性的数据
10.3 粒数据的参数模型
10.4 各向异性模糊聚类的参数模型
10.5 非参数的各向异性聚类
10.5.1 参照框架..
10.5.2 通过可能性一必要性变换表示粒数据
10.5.3 解参
10.6 总结
参考文献

第11章 粒数据的超盒模型：车贝雪夫FCM
11.1 引言
11.2 问题形式化
11.3 聚类算法——详细的考虑
11.4 粒原型的设计
11.5 信息粒的几何性质
11.6 粒数据的描述：一个一般模型
11.7 总结
参考文献

第12章 遗传相容的模糊神经网络
12.1 引言
12.2 阈值运算和相容运算：基于模糊逻辑的一般化
12.3 逻辑网络的拓扑
12.4 遗传优化
12.5 例证性的数值研究
第13章 粒原型
第14章 粒映射
第15章 语言建模
参考书目
索引