| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-20页 |
| ·数据挖掘概述 | 第11-13页 |
| ·数据挖掘过程 | 第13-14页 |
| ·数据清理 | 第13页 |
| ·数据集成 | 第13页 |
| ·数据选择 | 第13页 |
| ·数据变换 | 第13-14页 |
| ·数据挖掘 | 第14页 |
| ·模式评估 | 第14页 |
| ·知识表示 | 第14页 |
| ·数据挖掘中分类方法 | 第14-19页 |
| ·决策树 | 第15页 |
| ·AQ11关联规则 | 第15-16页 |
| ·贝叶斯分类 | 第16页 |
| ·支持向量机 | 第16-17页 |
| ·神经网络 | 第17-18页 |
| ·基于遗传算法的分类 | 第18页 |
| ·基于粗糙集的分类 | 第18页 |
| ·分类方法的评估 | 第18-19页 |
| ·本文研究内容 | 第19-20页 |
| 第二章 基于粗糙集的粒度计算理论介绍 | 第20-37页 |
| ·粗糙集理论 | 第20-25页 |
| ·信息系统 | 第20-21页 |
| ·近似空间 | 第21-22页 |
| ·知识约简 | 第22-24页 |
| ·知识的依赖性 | 第24页 |
| ·粗糙集理论与其它智能理论 | 第24-25页 |
| ·粒度与粒度计算(Granular Computing,GrC) | 第25-26页 |
| ·粒度思想的普遍性 | 第25页 |
| ·粒度计算的定义 | 第25-26页 |
| ·粒度计算的基本成分 | 第26-28页 |
| ·粒 | 第26页 |
| ·粒化和分级的观点 | 第26-27页 |
| ·层次 | 第27页 |
| ·粒结构 | 第27-28页 |
| ·粒度计算模型 | 第28-31页 |
| ·决策逻辑语言 | 第28页 |
| ·信息表 | 第28-30页 |
| ·粒度的度量 | 第30-31页 |
| ·粒度计算的粗糙集模型 | 第31-36页 |
| ·粗糙集粒度和近似 | 第31-33页 |
| ·一般的粗糙集:通过覆盖形成粒度 | 第33-34页 |
| ·邻域系统:多层次的粒度 | 第34-36页 |
| ·其他研究 | 第36页 |
| ·小结 | 第36-37页 |
| 第三章 基于粒度计算的分层属性约简 | 第37-44页 |
| ·属性约简 | 第37页 |
| ·约简中的粒度计算 | 第37-39页 |
| ·一致性分类问题 | 第37-39页 |
| ·约简中的粒度刻画 | 第39页 |
| ·基于粒度计算的属性分层约简 | 第39-42页 |
| ·基本思想 | 第39-40页 |
| ·理论基础 | 第40页 |
| ·基于粒度分层的属性约简 | 第40-42页 |
| ·示例 | 第42-43页 |
| ·小结 | 第43-44页 |
| 第四章 基于粒度层次树的分类模型 | 第44-53页 |
| ·决策树算法 | 第44-46页 |
| ·决策树概述 | 第44-45页 |
| ·决策树的优缺点 | 第45页 |
| ·C4.5(ID3)算法 | 第45-46页 |
| ·粒度层次树分类算法 | 第46-49页 |
| ·构造粒度网络 | 第46-47页 |
| ·粒度层次树的分类算法-GHDT | 第47-48页 |
| ·与传统决策树算法的不同点 | 第48-49页 |
| ·基于粒度层次树的分类规则提取 | 第49-51页 |
| ·规则的定义与产生 | 第49-50页 |
| ·规则提取算法描述 | 第50-51页 |
| ·小结 | 第51-53页 |
| 第五章 实验与结果分析 | 第53-68页 |
| ·实验示例 | 第53-63页 |
| ·示例 | 第54-57页 |
| ·算法实现 | 第57-63页 |
| ·实验与分析 | 第63-67页 |
| ·实验一 | 第63-66页 |
| ·实验二 | 第66-67页 |
| ·小结 | 第67-68页 |
| 第六章 总结 | 第68-70页 |
| ·工作总结 | 第68页 |
| ·进一步的研究工作 | 第68-70页 |
| 参考文献 | 第70-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间发表的学术论文目录 | 第73页 |