| 摘要 | 第1-9页 |
| Abstract | 第9-15页 |
| 第一章 绪论 | 第15-35页 |
| ·研究背景和意义 | 第15-17页 |
| ·国内外研究现状和趋势 | 第17-28页 |
| ·不确定推理的其他方法 | 第28-31页 |
| ·粗糙集理论和概率论的结合 | 第31页 |
| ·本文的研究内容和结构安排 | 第31-35页 |
| 第二章 基于粗糙集的特征选择方法 | 第35-85页 |
| ·基于粗糙集和微粒群算法的特征选择 | 第35-63页 |
| ·粗糙集特征选择和规则提取算法用于脑肿瘤诊断和预测 | 第63-75页 |
| ·基于有序PSO 的粗糙集近似熵约简 | 第75-85页 |
| 第三章 基于近似精度和信息熵的粗糙集不确定性度量方法 | 第85-93页 |
| ·引言 | 第85-86页 |
| ·粗糙集理论中基本的不确定性度量 | 第86-88页 |
| ·信息熵和粗糙熵 | 第88-91页 |
| ·实例 | 第91-92页 |
| ·小结 | 第92-93页 |
| 第四章 基于模糊粗糙集的最近邻聚类分类算法 | 第93-105页 |
| ·引言 | 第93-94页 |
| ·模糊粗糙集及模糊粗糙近邻算法 | 第94-97页 |
| ·基于FRNN 算法的聚类分类算法（FRNNC） | 第97-101页 |
| ·实验及结论 | 第101-105页 |
| 第五章 贝叶斯网络及隐变量隐结构学习 | 第105-157页 |
| ·引言 | 第105-107页 |
| ·概率论和图论基础 | 第107-109页 |
| ·贝叶斯网络 | 第109-130页 |
| ·隐变量贝叶斯网络学习 | 第130-136页 |
| ·评分函数在结构学习中的重要性 | 第136-137页 |
| ·贝叶斯熵标准 | 第137-140页 |
| ·以BEC 为标准学习有监督的隐变量贝叶斯网络 | 第140-145页 |
| ·实验结果 | 第145-153页 |
| ·结论和未来工作 | 第153-157页 |
| 第六章 结束语 | 第157-163页 |
| ·研究总结 | 第157-160页 |
| ·研究展望 | 第160-163页 |
| 参考文献 | 第163-185页 |
| 粗糙集文献 | 第163-176页 |
| 贝叶斯网络文献 | 第176-185页 |
| 致谢 | 第185-187页 |
| 攻读博士学位期间撰写发表的论文 | 第187-189页 |
| 附页 | 第189页 |