| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 研究工作的背景与意义 | 第13-14页 |
| 1.2 国内外研究历史与现状 | 第14-23页 |
| 1.2.1 传统数据挖掘技术的研究现状 | 第14-18页 |
| 1.2.1.1 挖掘算法的拓展研究 | 第14-16页 |
| 1.2.1.2 挖掘类型的衍生研究 | 第16-17页 |
| 1.2.1.3 挖掘模型的演化研究 | 第17-18页 |
| 1.2.2 基于粒度计算的关联规则挖掘研究现状 | 第18-20页 |
| 1.2.2.1 粒度计算的模型 | 第18-19页 |
| 1.2.2.2 粒度计算在关联规则挖掘中的应用现状 | 第19-20页 |
| 1.2.3 动态数据挖掘技术的研究现状 | 第20-23页 |
| 1.2.3.1 现有的动态挖掘技术 | 第21-22页 |
| 1.2.3.2 基于数据流的频繁模式挖掘现状 | 第22-23页 |
| 1.3 本文的主要贡献与创新 | 第23-24页 |
| 1.4 本论文的结构安排 | 第24-25页 |
| 第二章 动态数据挖掘与粒度计算基础 | 第25-47页 |
| 2.1 关联规则挖掘 | 第25-34页 |
| 2.1.1 基本概念 | 第25-26页 |
| 2.1.2 关联规则的挖掘过程 | 第26-27页 |
| 2.1.3 频繁模式发现的经典算法 | 第27-34页 |
| 2.1.3.1 算法Apriori框架 | 第27-29页 |
| 2.1.3.2 算法FP-growth框架 | 第29-34页 |
| 2.1.3.3 两种框架的优缺点分析 | 第34页 |
| 2.2 动态数据挖掘 | 第34-42页 |
| 2.2.1 基本概念 | 第34-35页 |
| 2.2.2 动态数据挖掘的框架及步骤 | 第35-36页 |
| 2.2.3 数据流动态挖掘技术 | 第36-42页 |
| 2.2.3.1 基于窗.的动态挖掘 | 第36-38页 |
| 2.2.3.2 基于窗.的经典数据流频繁模式挖掘算法 | 第38-42页 |
| 2.3 粒度计算 | 第42-46页 |
| 2.3.1 粒度计算的基本组成 | 第42-44页 |
| 2.3.1.1 粒子 | 第43页 |
| 2.3.1.2 粒层 | 第43页 |
| 2.3.1.3 粒结构 | 第43-44页 |
| 2.3.2 粒度计算模型 | 第44-45页 |
| 2.3.2.1 模糊信息粒化理论和词计算模型 | 第44页 |
| 2.3.2.2 基于粗糙集理论的粒度计算模型 | 第44页 |
| 2.3.2.3 基于商空间理论的粒度计算模型 | 第44-45页 |
| 2.3.2.4 基于集合论的粒度计算模型 | 第45页 |
| 2.3.3 基于划分的粒度计算模型 | 第45-46页 |
| 2.4 本章小结 | 第46-47页 |
| 第三章 基于嵌入式粒度计算的数据流频繁模式挖掘 | 第47-109页 |
| 3.1 问题描述 | 第47-48页 |
| 3.2 基本概念及性质 | 第48-76页 |
| 3.2.1 数据流的相关概念 | 第48-49页 |
| 3.2.2 频繁项集的相关概念及性质 | 第49-50页 |
| 3.2.3 闭项集的相关概念及性质 | 第50-56页 |
| 3.2.3.1 Galois连接 | 第50-52页 |
| 3.2.3.2 频繁闭项集及模糊频繁闭项集 | 第52-56页 |
| 3.2.4 粒度计算的相关概念及性质 | 第56-76页 |
| 3.2.4.1 对象粒的构建及粒度计算 | 第59-62页 |
| 3.2.4.2 属性粒的构建及粒度计算 | 第62-65页 |
| 3.2.4.3 结构粒的构建及粒度计算 | 第65-76页 |
| 3.3 基于粒度计算的频繁模式动态挖掘技术 | 第76-88页 |
| 3.3.1 求解空间的粒度转换方法 | 第76-81页 |
| 3.3.1.1 同层粒度之间的转换方法 | 第76-80页 |
| 3.3.1.2 异层粒度之间的转换方法 | 第80-81页 |
| 3.3.2 频繁闭项集的生成方法 | 第81-83页 |
| 3.3.2.1 频繁闭项集的产生思想 | 第81页 |
| 3.3.2.2 频繁闭项集的实现算法 | 第81-83页 |
| 3.3.3 嵌入式粒度计算的动态挖掘模型 | 第83-88页 |
| 3.3.3.1 嵌入式粒度计算 | 第83-84页 |
| 3.3.3.2 动态嵌入规则 | 第84-85页 |
| 3.3.3.3 算法描述 | 第85-86页 |
| 3.3.3.4 算法的正确性和完备性 | 第86-88页 |
| 3.4 基于嵌入式粒度计算的数据流频繁模式挖掘模型 | 第88-108页 |
| 3.4.1 建模思路 | 第88页 |
| 3.4.2 算法描述 | 第88-95页 |
| 3.4.2.1 首次读入操作 | 第89-91页 |
| 3.4.2.2 更新操作 | 第91-93页 |
| 3.4.2.3 挖掘模型的实现算法 | 第93-95页 |
| 3.4.3 性能分析 | 第95-97页 |
| 3.4.3.1 算法的数据结构 | 第95-96页 |
| 3.4.3.2 首次读入数据 | 第96页 |
| 3.4.3.3 更新操作 | 第96-97页 |
| 3.4.3.4 算法的时空复杂度分析 | 第97页 |
| 3.4.4 实验比较 | 第97-107页 |
| 3.4.4.1 实验环境及测试方法 | 第98-99页 |
| 3.4.4.2 数据流的设计及实验比较 | 第99-105页 |
| 3.4.4.3 实验比较结果分析 | 第105-107页 |
| 3.4.5 大数据对算法的影响 | 第107-108页 |
| 3.5 本章小结 | 第108-109页 |
| 第四章 模型拓展应用研究 | 第109-123页 |
| 4.1 问题描述 | 第109-110页 |
| 4.2 拓展模型的关键技术 | 第110-113页 |
| 4.2.1 相关概念拓展 | 第110-111页 |
| 4.2.1.1 信息窗的数据流参数 | 第110页 |
| 4.2.1.2 对象粒的参数 | 第110-111页 |
| 4.2.2 最大频繁项集的生成方法 | 第111-112页 |
| 4.2.3 发现最大频繁项集的嵌入式粒度计算模型 | 第112-113页 |
| 4.3 基于嵌入式粒度计算的最大频繁项集挖掘 | 第113-119页 |
| 4.3.1 模型思路 | 第113-114页 |
| 4.3.2 算法描述 | 第114-119页 |
| 4.3.2.1 首次读入操作 | 第114-116页 |
| 4.3.2.2 更新操作 | 第116-117页 |
| 4.3.2.3 挖掘模型的实现算法 | 第117-119页 |
| 4.4 实验比较 | 第119-122页 |
| 4.5 本章小结 | 第122-123页 |
| 第五章 总结与展望 | 第123-125页 |
| 5.1 全文总结 | 第123-124页 |
| 5.2 后续展望 | 第124-125页 |
| 致谢 | 第125-126页 |
| 参考文献 | 第126-135页 |
| 攻读博士学位期间取得的成果 | 第135-136页 |
