| 摘要 | 第1-6页 |
| ABSTRACT | 第6-13页 |
| 第一章 绪论 | 第13-32页 |
| ·本课题的研究背景及意义 | 第13-20页 |
| ·数据挖掘的兴起 | 第13-15页 |
| ·数据挖掘的理论与技术 | 第15-19页 |
| ·数据挖掘的应用领域与发展前景 | 第19-20页 |
| ·与本课题相关的国内外研究进展 | 第20-30页 |
| ·关联规则挖掘算法综述 | 第20-24页 |
| ·分类关联规则归纳算法研究 | 第24-26页 |
| ·关联分类技术的发展与研究现状 | 第26-30页 |
| ·本课题研究的目标与内容 | 第30-31页 |
| ·研究的目标 | 第30页 |
| ·研究的内容 | 第30-31页 |
| ·本课题解决的关键问题 | 第31页 |
| ·本文的组织 | 第31-32页 |
| 第二章 有关的术语及形式化描述 | 第32-40页 |
| ·基本术语 | 第32-33页 |
| ·关联规则与分类关联规则描述 | 第33-34页 |
| ·分类问题描述 | 第34-36页 |
| ·度量分类模型的指标体系 | 第34-35页 |
| ·分类规则质量评价函数 | 第35-36页 |
| ·分类模型的评价方法 | 第36页 |
| ·分类基准算法C4.5 | 第36-37页 |
| ·分类关联规则的搜索空间分析 | 第37-39页 |
| ·搜索全部关联规则属于NP 难解问题 | 第37-38页 |
| ·分类关联规则的搜索空间 | 第38-39页 |
| ·小结 | 第39-40页 |
| 第三章 分类关联规则的演化搜索研究 | 第40-64页 |
| ·研究的目的 | 第40页 |
| ·遗传算法 | 第40-43页 |
| ·遗传算法的出现和发展 | 第40-41页 |
| ·遗传算法的原理 | 第41页 |
| ·遗传算法的特点 | 第41-42页 |
| ·遗传算法求解问题的步骤 | 第42页 |
| ·基于遗传算法的机器学习 | 第42-43页 |
| ·设计搜索分类关联规则的遗传算法 | 第43-47页 |
| ·分类关联规则的染色体编码 | 第43-45页 |
| ·分类关联规则的演化方式 | 第45页 |
| ·基于遗传算法的关联分类 | 第45-47页 |
| ·影响规则演化搜索的主要因素 | 第47-49页 |
| ·适应值函数 | 第47-48页 |
| ·属性选择概率 | 第48-49页 |
| ·遗传算子 | 第49页 |
| ·适应值函数的理论研究 | 第49-55页 |
| ·混淆矩阵与关联规则度量的关系 | 第49-50页 |
| ·分类规则的演化机理研究 | 第50-54页 |
| ·一个规则演化实例 | 第54-55页 |
| ·实验结果及分析 | 第55-63页 |
| ·实验条件 | 第55页 |
| ·单因素实验 | 第55-58页 |
| ·综合实验 | 第58-63页 |
| ·小结 | 第63-64页 |
| 第四章 原子型分类关联规则导向的知识要点发现 | 第64-81页 |
| ·研究的动机 | 第64-65页 |
| ·基本原理 | 第65-71页 |
| ·发现知识要点的机理 | 第65-67页 |
| ·复合规则支持度和置信度边界值计算 | 第67-70页 |
| ·数据结构 | 第70-71页 |
| ·挖掘知识要点的步骤 | 第71页 |
| ·算法设计 | 第71-72页 |
| ·算法的复杂度分析 | 第72-73页 |
| ·知识要点在分类中的应用 | 第73-74页 |
| ·基于知识要点的分类步骤 | 第73页 |
| ·分类规则的选择 | 第73-74页 |
| ·实验结果及分析 | 第74-80页 |
| ·实验条件 | 第74-75页 |
| ·知识要点的发现 | 第75-78页 |
| ·基于知识要点的部分分类 | 第78-79页 |
| ·从部分分类到完全分类 | 第79-80页 |
| ·小结 | 第80-81页 |
| 第五章 原子关联规则分类算法CAAR | 第81-138页 |
| ·研究背景 | 第81-83页 |
| ·原子关联规则分类原理 | 第83-94页 |
| ·CAAR 算法的分类原理 | 第83-84页 |
| ·CAAR 算法与CBA 的分类机理比较 | 第84-86页 |
| ·原子关联规则分类的理论计算 | 第86-89页 |
| ·CAAR 算法的分类步骤 | 第89-90页 |
| ·CAAR 分类的一个范例及演示 | 第90-92页 |
| ·CAAR 与1R 算法的比较 | 第92-94页 |
| ·算法设计 | 第94-97页 |
| ·CAAR 分类算法设计 | 第94页 |
| ·CAAR 的强原子规则生成算法 | 第94-95页 |
| ·CAAR 的冗余规则剪枝函数 | 第95-97页 |
| ·CAAR 的分类能力度量 | 第97-99页 |
| ·P 型和N 型数据集 | 第97-98页 |
| ·提高 CAAR 的适应能力 | 第98-99页 |
| ·算法分析 | 第99-104页 |
| ·CAAR 算法的时间效率分析 | 第99-101页 |
| ·CAAR 算法的空间效率分析 | 第101-102页 |
| ·基于χ2 检验的鲁棒性分析 | 第102-104页 |
| ·实验结果及分析 | 第104-117页 |
| ·实验条件 | 第104页 |
| ·剖析 CAAR 的分类过程 | 第104-106页 |
| ·P 型和N 型数据集的划分 | 第106-108页 |
| ·CAAR 的分类性能实验 | 第108-114页 |
| ·CAAR 的鲁棒性实验 | 第114-117页 |
| ·CAAR 在图像内容分类学习中的应用 | 第117-122页 |
| ·基于关联规则的图像处理技术 | 第117页 |
| ·图像数据集 | 第117-118页 |
| ·基于 CAAR 的图像内容关联分类实验 | 第118-122页 |
| ·CAAR 在大规模数据挖掘中的应用 | 第122-137页 |
| ·大规模数据挖掘技术 | 第122-127页 |
| ·基于 Multi-Agents 的分布式关联分类 | 第127-130页 |
| ·基于 CAAR 的大规模数据挖掘的特点 | 第130-131页 |
| ·实验结果及分析 | 第131-137页 |
| ·小结 | 第137-138页 |
| 结束语 | 第138-141页 |
| 参考文献 | 第141-153页 |
| 攻读博士学位期间发表的与学位论文内容相关的学术论文 | 第153-155页 |
| 攻读博士学位期间主要参与的研究项目 | 第155-156页 |
| 附录:本论文常用符号对照表 | 第156-157页 |
| 致谢 | 第157页 |