| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-27页 |
| ·知识发现概述 | 第11-15页 |
| ·国内外研究现状和发展趋势 | 第11-12页 |
| ·知识发现的过程 | 第12-14页 |
| ·知识发现的方法与任务 | 第14-15页 |
| ·聚类分析概述 | 第15-22页 |
| ·聚类的定义 | 第16-17页 |
| ·相似度 | 第17-19页 |
| ·常用聚类算法 | 第19-22页 |
| ·分类分析概述 | 第22-25页 |
| ·分类的定义与过程 | 第22-23页 |
| ·分类算法的种类及特性 | 第23-25页 |
| ·本文的主要工作和安排 | 第25-27页 |
| 2 预备知识 | 第27-45页 |
| ·公理模糊集理论简介 | 第27-33页 |
| ·AFS代数 | 第27-31页 |
| ·AFS结构 | 第31页 |
| ·一致隶属函数 | 第31-33页 |
| ·支持向量机 | 第33-41页 |
| ·线性判别函数和判别面 | 第33-35页 |
| ·支持向量机的原理和模型简介 | 第35-41页 |
| ·主成分分析 | 第41-45页 |
| ·主成分分析的基本思想 | 第41-42页 |
| ·主成分分析的数学模型 | 第42-43页 |
| ·主成分分析的几何解释 | 第43-44页 |
| ·主成分分析的应用 | 第44-45页 |
| 3 基于AFS理论的人工智能技术:特征选择、主概念选择、概念范畴化、特征描述 | 第45-55页 |
| ·特征选择 | 第45-48页 |
| ·特征的相似度和信息熵 | 第45-46页 |
| ·特征选择方法 | 第46-48页 |
| ·主概念选择 | 第48-51页 |
| ·特征上的简单概念 | 第48-49页 |
| ·应用PCA选择主要概念 | 第49-51页 |
| ·概念范畴化 | 第51-53页 |
| ·样本的特征描述 | 第53页 |
| ·本章小结 | 第53-55页 |
| 4 聚类方法研究 | 第55-95页 |
| ·改进的AFS模糊聚类算法 | 第55-64页 |
| ·原始的基于AFS模糊逻辑的模糊聚类分析算法 | 第55-57页 |
| ·AFS模糊逻辑聚类分析方法的进一步研究 | 第57-58页 |
| ·实验结果 | 第58-64页 |
| ·基于特征选择,主概念选择,概念范畴化和特征描述的AFS聚类分析算法 | 第64-77页 |
| ·AFS模糊聚类新算法 | 第65-67页 |
| ·实验结果 | 第67-77页 |
| ·DBCAMM:一种新颖的基于密度的聚类算法 | 第77-91页 |
| ·问题背景 | 第77-78页 |
| ·DBSCAN | 第78-80页 |
| ·DBCAMM | 第80-84页 |
| ·人工数据集上的实验结果 | 第84-90页 |
| ·图像分割结果 | 第90-91页 |
| ·本章小结 | 第91-95页 |
| 5 分类方法研究 | 第95-113页 |
| ·问题背景 | 第95-96页 |
| ·PFRAS:基于AFS和SVM理论的一个模糊规则极其精简的分类器 | 第96-103页 |
| ·选择最优的核参数来删除输入空间中的离群点 | 第96-98页 |
| ·应用AFS理论完成分类器的原因 | 第98页 |
| ·寻找每类模糊描述的方法 | 第98-102页 |
| ·决策指派 | 第102-103页 |
| ·实验结果 | 第103-110页 |
| ·一致隶属函数的稳定性与普遍性 | 第104-105页 |
| ·模糊规则的可解释性,稳定性和紧致性 | 第105-107页 |
| ·与现有模糊分类器的准确率和规则紧致性的比较分析 | 第107-110页 |
| ·本章小结 | 第110-113页 |
| 结论 | 第113-115页 |
| 参考文献 | 第115-126页 |
| 攻读博士学位期间发表的学术论文情况 | 第126-127页 |
| 创新点摘要 | 第127-128页 |
| 致谢 | 第128-129页 |
| 个人简历 | 第129-130页 |
