| 中文摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 第一章 绪论 | 第10-14页 |
| ·研究背景 | 第10-12页 |
| ·研究意义及目的 | 第10-11页 |
| ·研究现状 | 第11-12页 |
| ·本文工作 | 第12-14页 |
| 第二章 数据分类及特征选择 | 第14-33页 |
| ·分类的基本概念 | 第14-15页 |
| ·分类的传统方法 | 第15-25页 |
| ·K近邻算法 | 第15-18页 |
| ·决策树算法 | 第18-21页 |
| ·贝叶斯算法 | 第21-23页 |
| ·关联规则算法 | 第23-25页 |
| ·特征选择(Feature Subset Selection )的概念 | 第25页 |
| ·特征选择的方法 | 第25-32页 |
| ·主成分分析 | 第25-29页 |
| ·ReliefF算法 | 第29-32页 |
| ·小结 | 第32-33页 |
| 第三章 EP模式分类算法 | 第33-38页 |
| ·EP模式的相关概念 | 第33-34页 |
| ·EP模式的特点和几种改进 | 第34-36页 |
| ·EP模式的特点 | 第34-35页 |
| ·几种改进后的EP模式 | 第35-36页 |
| ·小结 | 第36-38页 |
| 第四章 面向高维数据PCA-ReliefF的EP模式分类算法 | 第38-47页 |
| ·引言 | 第38-39页 |
| ·EP模式分类 | 第39-41页 |
| ·EP模式基本概念 | 第39-40页 |
| ·EP模式分类器构造过程 | 第40-41页 |
| ·结合PCA和ReliefF的PREP分类算法 | 第41-43页 |
| ·实验结果及分析 | 第43-46页 |
| ·实验结果 | 第43-45页 |
| ·实验结果分析 | 第45-46页 |
| ·小结 | 第46-47页 |
| 第五章 结论和展望 | 第47-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 作者读研期间所取得的科研成果 | 第53页 |