| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| ·智能交通概述 | 第10页 |
| ·目前智能交通使用的算法 | 第10-13页 |
| ·启发式搜索算法 | 第10-11页 |
| ·穷举法 | 第11页 |
| ·动态规划算法 | 第11-12页 |
| ·遗传算法 | 第12页 |
| ·支持向量机 | 第12-13页 |
| ·现有算法不足的分析与问题的提出 | 第13页 |
| ·本文相关的数据挖掘算法 | 第13-14页 |
| ·聚类分析 | 第14页 |
| ·关联规则的挖掘算法 | 第14页 |
| ·粗糙集 | 第14页 |
| ·本文研究的内容和组织结构 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 第二章 基于关联规则的A*改进算法 | 第16-28页 |
| ·问题描述及研究意义 | 第16页 |
| ·关联规则 | 第16-21页 |
| ·关联规则定义 | 第16-17页 |
| ·关联规则分类 | 第17-18页 |
| ·关联规则挖掘算法讨论 | 第18-20页 |
| ·分层搜索经典算法——Apriori算法 | 第20-21页 |
| ·启发式搜索—A*算法 | 第21-24页 |
| ·启发式搜索 | 第21-22页 |
| ·A*算法 | 第22-24页 |
| ·基于关联规则的A*算法 | 第24-26页 |
| ·算法分析 | 第24-25页 |
| ·算法流程图及算法描述 | 第25-26页 |
| ·本章小结 | 第26-28页 |
| 第三章 基于粗糙集的聚类算法 | 第28-44页 |
| ·问题描述及研究意义 | 第28页 |
| ·粗糙集 | 第28-34页 |
| ·粗糙集概述 | 第28页 |
| ·粗糙集基本思想 | 第28-29页 |
| ·近似空间与不可分辨关系 | 第29-30页 |
| ·上、下近似集 | 第30-31页 |
| ·知识表达系统与决策表 | 第31-32页 |
| ·属性约简与核集求取 | 第32-34页 |
| ·聚类算法分析 | 第34-41页 |
| ·聚类分析概述 | 第34页 |
| ·聚类分析中的度量方式 | 第34-37页 |
| ·聚类算法的主要分类 | 第37-40页 |
| ·常用聚类算法的比较 | 第40-41页 |
| ·基于粗糙集的聚类算法 | 第41-43页 |
| ·算法分析 | 第41页 |
| ·算法流程图及算法描述 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 本文提出的改进算法在智能交通中的实验研究 | 第44-57页 |
| ·基于关联规则的A*算法在仿真实验中的设计及结果分析 | 第44-49页 |
| ·数据预处理 | 第44-45页 |
| ·Apriori算法挖掘规则 | 第45-46页 |
| ·A*算法的路径演示 | 第46-49页 |
| ·基于粗糙集的聚类算法在仿真实验中的设计及结果分析 | 第49-55页 |
| ·数据采集及处理 | 第49-50页 |
| ·属性约简及生成规则 | 第50-53页 |
| ·聚类分析 | 第53-55页 |
| ·本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| ·工作总结 | 第57页 |
| ·研究展望 | 第57-59页 |
| 参考文献 | 第59-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间主要的研究成果 | 第62-63页 |