| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 突发事件知识获取研究现状 | 第12-13页 |
| 1.2.2 基于粗糙集的知识获取算法研究现状 | 第13-16页 |
| 1.2.3 用户偏好研究现状 | 第16-17页 |
| 1.3 研究内容与技术路线 | 第17-18页 |
| 1.4 论文结构 | 第18-20页 |
| 2 知识获取基础理论 | 第20-29页 |
| 2.1 粗糙集理论 | 第20-23页 |
| 2.1.1 信息系统与知识 | 第20-21页 |
| 2.1.2 粗糙集模型 | 第21-23页 |
| 2.2 决策表知识获取 | 第23-25页 |
| 2.2.1 决策表知识获取方法 | 第23页 |
| 2.2.2 决策表属性约简 | 第23-24页 |
| 2.2.3 决策表规则提取 | 第24-25页 |
| 2.3 层次规则提取方法 | 第25-29页 |
| 2.3.1 属性概念层次树 | 第25-26页 |
| 2.3.2 广义决策表 | 第26-27页 |
| 2.3.3 层次规则提取策略 | 第27-29页 |
| 3 面向用户偏好的突发事件知识获取预处理 | 第29-41页 |
| 3.1 突发事件及其数据特征分析 | 第29-32页 |
| 3.1.1 突发事件特征分析 | 第29-30页 |
| 3.1.2 突发事件数据特征分析 | 第30-32页 |
| 3.2 突发事件知识获取的用户偏好 | 第32-35页 |
| 3.2.1 用户偏好识别 | 第32-33页 |
| 3.2.2 用户偏好描述及表示 | 第33-35页 |
| 3.3 数据预处理 | 第35-38页 |
| 3.3.1 缺失数据 | 第35-36页 |
| 3.3.2 噪声与冗余数据 | 第36-38页 |
| 3.3.3 多类型多粒度数据 | 第38页 |
| 3.4 突发事件决策表构建及编码 | 第38-41页 |
| 3.4.1 突发事件决策表构建 | 第38页 |
| 3.4.2 突发事件决策表编码 | 第38-41页 |
| 4 面向用户偏好的突发事件属性约简 | 第41-51页 |
| 4.1 面向用户偏好的突发事件属性约简方法设计 | 第41-43页 |
| 4.2 属性重要度度量方法 | 第43-46页 |
| 4.2.1 属性相对于单个对象的重要度度量 | 第43-44页 |
| 4.2.2 OWA聚合算子 | 第44-45页 |
| 4.2.3 属性重要度聚合 | 第45-46页 |
| 4.3 面向用户偏好的突发事件属性约简算法 | 第46-48页 |
| 4.3.1 面向用户偏好的启发信息定义 | 第46-47页 |
| 4.3.2 突发事件属性约简启发式算法 | 第47-48页 |
| 4.4 算例分析 | 第48-51页 |
| 5 面向用户偏好的突发事件决策规则提取 | 第51-64页 |
| 5.1 面向用户偏好的突发事件决策规则提取方法设计 | 第51-52页 |
| 5.2 面向用户偏好的单个规则提取人工蜂群算法 | 第52-59页 |
| 5.2.1 问题表示及求解算法选取 | 第52-54页 |
| 5.2.2 人工蜂群算法 | 第54页 |
| 5.2.3 适应度函数构造 | 第54-55页 |
| 5.2.4 蜜蜂寻优搜索策略 | 第55-57页 |
| 5.2.5 单个规则提取人工蜂群算法 | 第57-59页 |
| 5.3 面向用户偏好的突发事件层次规则提取算法 | 第59-61页 |
| 5.3.1 面向用户偏好的细化属性选择方法 | 第59-60页 |
| 5.3.2 突发事件层次规则提取算法 | 第60-61页 |
| 5.4 算例分析 | 第61-64页 |
| 6 突发事件知识获取实例 | 第64-74页 |
| 6.1 实例描述 | 第64-65页 |
| 6.2 预处理 | 第65-69页 |
| 6.3 属性约简 | 第69-71页 |
| 6.4 决策规则提取 | 第71-72页 |
| 6.5 结果分析 | 第72-74页 |
| 7 总结与展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间发表学术论文情况 | 第80-81页 |
| 致谢 | 第81-82页 |