粒计算分类知识发现算法及其应用
| 致谢 | 第1-6页 |
| 摘要 | 第6-9页 |
| Abstract | 第9-13页 |
| 目录 | 第13-16页 |
| 1 绪论 | 第16-26页 |
| ·引言 | 第16-17页 |
| ·分类知识发现的研究背景及面临的挑战 | 第17-21页 |
| ·知识发现概述 | 第17-18页 |
| ·分类与知识发现 | 第18-19页 |
| ·面临的挑战 | 第19-21页 |
| ·粒计算与知识发现 | 第21-23页 |
| ·粒计算概述 | 第21-22页 |
| ·粒计算用于知识发现的基本原理 | 第22-23页 |
| ·本文的主要工作 | 第23页 |
| ·本文的内容安排 | 第23-26页 |
| 2 分类及粒计算相关研究工作综述 | 第26-46页 |
| ·分类方法研究概述 | 第26-30页 |
| ·决策树方法 | 第26-27页 |
| ·贝叶斯分类 | 第27-28页 |
| ·神经网络方法 | 第28-29页 |
| ·支持向量机 | 第29-30页 |
| ·分类技术面临的挑战 | 第30页 |
| ·分类器集成研究综述 | 第30-36页 |
| ·集成学习的理论基础 | 第31-33页 |
| ·集成学习的主要算法及其不足 | 第33-34页 |
| ·选择性集成学习研究进展综述 | 第34-36页 |
| ·粒计算 | 第36-44页 |
| ·粒计算的基本概念 | 第36-38页 |
| ·粒计算的研究方法与方向 | 第38-39页 |
| ·主要的粒计算模型及其关系 | 第39-43页 |
| ·粒计算的应用 | 第43-44页 |
| ·小结 | 第44-46页 |
| 3 基于信息粒的模糊分类知识发现算法 | 第46-60页 |
| ·引言 | 第46-47页 |
| ·IBC问题特点及评价标准 | 第47页 |
| ·模糊集的基本概念 | 第47-50页 |
| ·模糊集合和隶属度函数 | 第48页 |
| ·隶属函数的确定方法 | 第48-49页 |
| ·模糊集合的几种运算 | 第49页 |
| ·语言变量 | 第49-50页 |
| ·基于信息粒的模糊分类知识发现算法 | 第50-56页 |
| ·构建信息粒 | 第51-53页 |
| ·从信息粒决策表提取分类规则 | 第53-55页 |
| ·分类模糊推理 | 第55-56页 |
| ·疾病诊断试验结果分析 | 第56-58页 |
| ·癌症诊断问题 | 第56-57页 |
| ·试验方法 | 第57页 |
| ·试验结果与分析 | 第57-58页 |
| ·小结 | 第58-60页 |
| 4 改进的ART2算法——ETM-ART2 | 第60-78页 |
| ·ART网络概述 | 第61-63页 |
| ·ART2网络简介 | 第63-68页 |
| ·ART2网络结构 | 第63-66页 |
| ·ART2工作原理 | 第66-68页 |
| ·ART2网络对模式渐变过程的不敏感性 | 第68-71页 |
| ·三重检测机制的ART2网络ETM-ART2 | 第71-74页 |
| ·网络结构 | 第71-73页 |
| ·ETM-ART2工作过程 | 第73-74页 |
| ·ETM-ART2用于橄榄油聚类分析 | 第74-77页 |
| ·化学模式聚类分析的难点 | 第74-75页 |
| ·橄榄油样本简介 | 第75页 |
| ·试验分析 | 第75-77页 |
| ·小结 | 第77-78页 |
| 5 基于粒的关键特征分析的分类规则挖掘算法 | 第78-92页 |
| ·引言 | 第78页 |
| ·非均衡数据分类问题 | 第78-81页 |
| ·非均衡数据分类难点 | 第78-79页 |
| ·解决策略 | 第79-81页 |
| ·一种分类规则挖掘算法 | 第81-87页 |
| ·算法思路及流程 | 第81-82页 |
| ·粒度选择值 | 第82-84页 |
| ·ETM-ART2构建信息粒 | 第84页 |
| ·KFAG表示信息粒 | 第84-86页 |
| ·分类规则挖掘及应用 | 第86-87页 |
| ·KFAG-C4.5在非均衡化学模式分类中的应用 | 第87-89页 |
| ·玻璃识别问题 | 第87-88页 |
| ·评价指标 | 第88页 |
| ·试验结果和分析 | 第88-89页 |
| ·小结 | 第89-92页 |
| 6 兼顾正确率和差异性的选择性集成算法 | 第92-108页 |
| ·引言 | 第92页 |
| ·集成性能与差异度 | 第92-98页 |
| ·集成性能与差异度的关系 | 第92-95页 |
| ·差异度与集成方法 | 第95-98页 |
| ·选择性集成学习理论 | 第98-100页 |
| ·知识与知识粒 | 第100页 |
| ·兼顾正确率和差异性的选择性集成算法 | 第100-103页 |
| ·算法思路及流程 | 第100-101页 |
| ·信息表和知识粒 | 第101-102页 |
| ·兼顾正确率和差异性的筛选指标 | 第102-103页 |
| ·集成判定 | 第103页 |
| ·对毒性作用机制的分类 | 第103-107页 |
| ·酚类化合物梨形四膜虫毒性作用机制分类 | 第103-104页 |
| ·有关参数的影响分析 | 第104-107页 |
| ·小结 | 第107-108页 |
| 7 自适应集成分类算法CDASE | 第108-116页 |
| ·引言 | 第108页 |
| ·CDASE算法的设计和实现 | 第108-110页 |
| ·AE-Group的自适应生成 | 第108-110页 |
| ·自适应分类预测 | 第110页 |
| ·三个模式分类问题试验 | 第110-113页 |
| ·分类问题简介 | 第110-111页 |
| ·试验方式 | 第111页 |
| ·试验结果和分析 | 第111-113页 |
| ·橄榄油产地判别 | 第113-114页 |
| ·问题简介 | 第113页 |
| ·试验结果与比较分析 | 第113-114页 |
| ·小结 | 第114-116页 |
| 8 总结与展望 | 第116-120页 |
| ·工作总结 | 第116-118页 |
| ·未来研究工作展望 | 第118-120页 |
| 参考文献 | 第120-130页 |
| 作者简历 | 第130页 |
