| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第9-11页 |
| 图目录 | 第11-12页 |
| 表目录 | 第12-13页 |
| 符号索引 | 第13-15页 |
| 第1章 绪论 | 第15-23页 |
| 1.1 论文的选题背景及意义 | 第15-16页 |
| 1.2 相关研究综述 | 第16-20页 |
| 1.2.1 基于粗糙集的增量学习研究综述 | 第16-18页 |
| 1.2.2 客户分类研究综述 | 第18-20页 |
| 1.3 论文的研究内容和组织结构 | 第20-23页 |
| 1.3.1 论文的研究内容 | 第20页 |
| 1.3.2 论文的组织结构 | 第20-23页 |
| 第2章 邻域粗糙集模型的理论基础 | 第23-35页 |
| 2.1 粗糙集模型 | 第24-27页 |
| 2.1.1 信息表知识表达系统 | 第24-25页 |
| 2.1.2 基本概念 | 第25-27页 |
| 2.2 邻域粗糙集模型 | 第27-33页 |
| 2.2.1 基于邻域的粒化 | 第27-29页 |
| 2.2.2 基于邻域的逼近 | 第29-31页 |
| 2.2.3 邻域决策系统 | 第31-33页 |
| 2.3 粗糙集与邻域粗糙集的对比 | 第33-35页 |
| 第3章 基于邻域粗糙集的增量式属性约简算法 | 第35-47页 |
| 3.1 基于邻域粗糙集的属性约简算法 | 第36-38页 |
| 3.1.1 基本概念 | 第36-37页 |
| 3.1.2 算法原理 | 第37-38页 |
| 3.2 基于改进的相对正域的增量式属性约简算法 | 第38-47页 |
| 3.2.1 增加属性时的约简规律 | 第38-40页 |
| 3.2.2 增加样本时的约简规律 | 第40-41页 |
| 3.2.3 IARRPR算法的设计与测试 | 第41-47页 |
| 第4章 基于邻域粗糙集的样本约减算法 | 第47-65页 |
| 4.1 邻域分类器 | 第48-56页 |
| 4.1.1 基本原理 | 第48-49页 |
| 4.1.2 邻域分类器算法设计与测试 | 第49-56页 |
| 4.2 样本约减算法 | 第56-65页 |
| 4.2.1 基本原理 | 第56-57页 |
| 4.2.2 基于邻域粗糙集的样本约减算法设计与测试 | 第57-65页 |
| 第5章 基于邻域粗糙集的增量学习算法在客户分类上的应用 | 第65-75页 |
| 5.1 客户资料分析 | 第65-67页 |
| 5.2 基于经典粗糙集的客户分类 | 第67-68页 |
| 5.3 基于邻域粗糙集的客户分类 | 第68-70页 |
| 5.4 基于邻域粗糙集的增量学习算法在客户分类上的应用 | 第70-75页 |
| 第6章 总结 | 第75-77页 |
| 6.1 论文完成的工作 | 第75-76页 |
| 6.2 论文进一步的研究方向 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 攻读硕士学位期间发表的论文 | 第83-85页 |
| 附录1:客户资料 | 第85-88页 |
