| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第一章 绪论 | 第14-23页 |
| 1.1 研究背景和意义 | 第14-16页 |
| 1.2 研究现状与发展态势 | 第16-21页 |
| 1.2.1 代价类型及代价敏感学习方法 | 第16-17页 |
| 1.2.2 粒计算研究与进展 | 第17-19页 |
| 1.2.3 代价敏感粗糙集与三支决策 | 第19-21页 |
| 1.3 本文的主要贡献与创新 | 第21-22页 |
| 1.4 本文的结构安排 | 第22-23页 |
| 第二章 预备知识 | 第23-30页 |
| 2.1 代价敏感的决策系统 | 第23-25页 |
| 2.2 代价敏感属性选择算法的部分评价指标 | 第25页 |
| 2.3 邻域粗糙集 | 第25-27页 |
| 2.4 决策粗糙集 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 混合型数据的属性与属性值粒度同步选择的方法 | 第30-59页 |
| 3.1 问题描述 | 第30-31页 |
| 3.2 理论模型 | 第31-44页 |
| 3.2.1 自适应的邻域模型 | 第31-38页 |
| 3.2.2 基于可变代价的属性与属性值粒度同步选择的问题 | 第38-44页 |
| 3.3 测试代价不受限时属性与属性值粒度同步选择的算法 | 第44-53页 |
| 3.3.1 算法设计 | 第44-46页 |
| 3.3.2 实验及分析 | 第46-53页 |
| 3.4 测试代价受限时属性与属性值粒度同步选择的算法 | 第53-56页 |
| 3.4.1 算法设计 | 第53-54页 |
| 3.4.2 实验及分析 | 第54-56页 |
| 3.5 本章小结 | 第56-59页 |
| 第四章 多粒度的属性与属性值粒度同步选择的方法 | 第59-89页 |
| 4.1 基于误差置信水平向量的邻域粗糙集模型 | 第59-67页 |
| 4.1.1 基本概念 | 第59-64页 |
| 4.1.2 三种单调性 | 第64-67页 |
| 4.2 基于可变代价的多粒度的属性与属性值粒度同步选择的问题 | 第67-70页 |
| 4.2.1 可变的代价函数 | 第67-68页 |
| 4.2.2 平均总代价的计算方法 | 第68-69页 |
| 4.2.3 多粒度的属性与属性值粒度同步选择问题的最优化形式 | 第69-70页 |
| 4.3 算法设计 | 第70-77页 |
| 4.3.1 启发式算法 | 第70-75页 |
| 4.3.2 竞争策略 | 第75-76页 |
| 4.3.3 评估指标 | 第76-77页 |
| 4.4 实验及分析 | 第77-88页 |
| 4.4.1 数据预处理 | 第77-78页 |
| 4.4.2 代表性结果与分析 | 第78-81页 |
| 4.4.3 比较与分析 | 第81-88页 |
| 4.5 本章小结 | 第88-89页 |
| 第五章 邻域粗糙集中基于不一致邻域的属性约简方法 | 第89-111页 |
| 5.1 不一致邻域的概念和性质 | 第89-96页 |
| 5.1.1 不一致邻域的概念 | 第89-91页 |
| 5.1.2 相关性质 | 第91-96页 |
| 5.2 基于不一致邻域的代价不敏感的属性约简算法 | 第96-101页 |
| 5.2.1 算法设计 | 第96-98页 |
| 5.2.2 实验及分析 | 第98-101页 |
| 5.3 基于不一致邻域的测试代价敏感的属性约简算法 | 第101-110页 |
| 5.3.1 算法设计 | 第101-103页 |
| 5.3.2 实验及分析 | 第103-110页 |
| 5.4 本章小结 | 第110-111页 |
| 第六章 决策粗糙集中代价敏感的属性约简方法 | 第111-122页 |
| 6.1 理论模型 | 第111-114页 |
| 6.2 算法设计 | 第114-117页 |
| 6.2.1 回溯算法 | 第114-115页 |
| 6.2.2 启发式算法 | 第115-117页 |
| 6.3 实验及分析 | 第117-120页 |
| 6.3.1 数据预处理 | 第117-118页 |
| 6.3.2 实验结果与分析 | 第118-120页 |
| 6.4 本章小结 | 第120-122页 |
| 第七章 全文总结与展望 | 第122-126页 |
| 7.1 全文总结 | 第122-124页 |
| 7.2 后续工作展望 | 第124-126页 |
| 致谢 | 第126-127页 |
| 参考文献 | 第127-139页 |
| 攻读博士学位期间取得的成果 | 第139页 |
