粗糙集理论在知识发现中的应用
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-17页 |
| 1．1 粗糙集理论在人工智能发展历程中的地位 | 第7-10页 |
| 1．2 粗糙集理论的研究现状 | 第10-11页 |
| 1．3 知识发现 | 第11-13页 |
| 1．3．1 知识发现的含义 | 第11-12页 |
| 1．3．2 知识发现的过程 | 第12-13页 |
| 数据准备 | 第12-13页 |
| 数据挖掘 | 第13页 |
| 结果解释和评估 | 第13页 |
| 1．3．3 知识发现的分类 | 第13页 |
| 1．4 粗糙集理论与知识发现 | 第13-15页 |
| Rosetta | 第14页 |
| LERS | 第14页 |
| ROSE | 第14-15页 |
| KDD-R | 第15页 |
| Rough Enough | 第15页 |
| 1．5 本文研究的主要内容及组织结构 | 第15-17页 |
| 第二章 基本理论与概念 | 第17-29页 |
| 1．1 粗糙集理论的基本概念 | 第17-22页 |
| 2．2 粗糙集理论的数学性质 | 第22-23页 |
| 2．3 粗糙集理论的扩展模型 | 第23-26页 |
| 2．3．1 Ⅰ-粗糙集 | 第23-24页 |
| 2．3．2 可变精度模型 | 第24-25页 |
| 2．3．3 相容关系模型 | 第25-26页 |
| 2．3．4 ROUGH MEREOLOGY | 第26页 |
| 2．3．5 基于粗糙集的非单调逻辑模型 | 第26页 |
| 2．4 与其他不确定性方法的关系 | 第26页 |
| 2．5 粗糙集理论的有效算法 | 第26-29页 |
| 第三章 偏序关系下的最优约简 | 第29-41页 |
| 3．1 属性的可缺省性与函数依赖 | 第29-32页 |
| 3．2 字典序下的最优约简 | 第32-40页 |
| 3．2．1 字典序最优约简的定义 | 第33-34页 |
| 3．2．2 字典树及其构造算法 | 第34-38页 |
| 3．2．3 字典序最优约简的求解算法 | 第38-40页 |
| 3．3 小结 | 第40-41页 |
| 第四章 粗糙集理论与知识熵 | 第41-51页 |
| 4．1 知识熵的定义 | 第41-42页 |
| 4．2 知识熵的性质 | 第42-46页 |
| 4．3 约简与核的知识熵描述 | 第46-50页 |
| 4．4 小结 | 第50-51页 |
| 第五章 粗糙集理论在有序信息表的应用 | 第51-58页 |
| 5．1 相关研究工作 | 第51-52页 |
| 5．2 有序信息表的理论基础和概念 | 第52-54页 |
| 5．3 基于偏序关系的粗糙集理论扩展 | 第54-55页 |
| 5．4 实验与结果分析 | 第55-56页 |
| 5．5 小结 | 第56-58页 |
| 第六章 结束语 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士期间发表的主要文章 | 第63-64页 |
| 致谢 | 第64页 |
