| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-9页 |
| 1.2 关系数据模式结构挖掘研究现状 | 第9-11页 |
| 1.3 本文主要研究内容 | 第11页 |
| 1.4 本文的组织结构 | 第11-13页 |
| 第二章 相关研究综述 | 第13-23页 |
| 2.1 关联规则挖掘 | 第13-18页 |
| 2.1.1 Apriori算法 | 第14-16页 |
| 2.1.2 基于Gibbs Sampling的关联规则挖掘算法 | 第16-18页 |
| 2.2 贝叶斯网络 | 第18-20页 |
| 2.3 高斯混合模型(GMM) | 第20-23页 |
| 第三章 混合特征数据的自解释归约建模方法 | 第23-35页 |
| 3.1 引言 | 第23页 |
| 3.2 自解释归约数据表示模型 | 第23-26页 |
| 3.2.1 模型学习目标 | 第24-25页 |
| 3.2.2 模型求解算法 | 第25-26页 |
| 3.3 实验分析 | 第26-34页 |
| 3.3.1 UCI分类数据建模 | 第26-27页 |
| 3.3.2 模拟关联规则数据挖掘 | 第27-29页 |
| 3.3.3 实例应用 | 第29-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于混合概率标签时变约束分配的非侵入式电力负荷监测方法 | 第35-51页 |
| 4.1 引言 | 第35-36页 |
| 4.2 方法框架 | 第36-41页 |
| 4.2.1 方法思想 | 第36-37页 |
| 4.2.2 特征提取 | 第37-39页 |
| 4.2.3 算法过程 | 第39-41页 |
| 4.3 实验研究 | 第41-49页 |
| 4.3.1 仿真场景一 | 第42-45页 |
| 4.3.2 仿真场景二 | 第45-46页 |
| 4.3.3 仿真场景三 | 第46-47页 |
| 4.3.4 仿真场景四 | 第47-49页 |
| 4.4 本章小结 | 第49-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 本文总结 | 第51页 |
| 5.2 工作展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 附录:作者在攻读硕士学位期间发表的论文 | 第59页 |