| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 引言 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究目的及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 多属性决策 | 第13-15页 |
| 1.2.2 多属性分类 | 第15-16页 |
| 1.3 论文研究内容与结构 | 第16-18页 |
| 1.3.1 主要研究内容 | 第16-17页 |
| 1.3.2 技术路线 | 第17页 |
| 1.3.3 章节安排 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第二章 多属性分类决策研究的理论基础 | 第19-24页 |
| 2.1 多属性分类决策模型框架 | 第19-20页 |
| 2.1.1 相关参数定义 | 第19页 |
| 2.1.2 两种多属性分类问题描述 | 第19-20页 |
| 2.2 案例推理技术 | 第20-22页 |
| 2.2.1 案例推理技术简介 | 第20页 |
| 2.2.2 案例推理的基本流程 | 第20-21页 |
| 2.2.3 案例推理在多属性决策中的应用 | 第21-22页 |
| 2.3 决策支持系统 | 第22-23页 |
| 2.3.1 决策支持系统理论概述 | 第22-23页 |
| 2.3.2 决策支持系统的结构 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于案例推理的多维度有偏好分类 | 第24-40页 |
| 3.1 优势粗糙集方法 | 第24-25页 |
| 3.1.1 优势粗糙集的基本结构 | 第24-25页 |
| 3.1.2 基于优势关系的粗糙近似 | 第25页 |
| 3.2 基于优势粗糙集的分类流程 | 第25-28页 |
| 3.2.1 基于k-means方法的案例集选取策略 | 第25-27页 |
| 3.2.2 分类决策规则的导出 | 第27页 |
| 3.2.3 分类流程 | 第27-28页 |
| 3.3 二维分类模型在中小企业绩效评价中应用 | 第28-35页 |
| 3.3.1 问题背景 | 第28-29页 |
| 3.3.2 指标体系构建 | 第29-31页 |
| 3.3.3 二维评价分类模型 | 第31页 |
| 3.3.4 实证分析 | 第31-34页 |
| 3.3.5 分类质量与案例集数量关系的拓展研究 | 第34-35页 |
| 3.4 三维分类模型在研究生学习能力评价中应用 | 第35-39页 |
| 3.4.1 问题背景 | 第35-36页 |
| 3.4.2 学习能力定义 | 第36页 |
| 3.4.3 实证分析 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于案例距离推理的多属性名义分类 | 第40-49页 |
| 4.1 分类模型构建 | 第40-42页 |
| 4.1.1 分组中心和距离设定 | 第40页 |
| 4.1.2 分组阈值和约束条件设定 | 第40-41页 |
| 4.1.3 分类参数优化求解模型 | 第41-42页 |
| 4.2 分类决策流程 | 第42-43页 |
| 4.3 工业生产成组分类应用研究 | 第43-47页 |
| 4.3.1 成组技术概述 | 第43-44页 |
| 4.3.2 问题描述 | 第44页 |
| 4.3.3 基于案例距离推理的成组分类 | 第44-47页 |
| 4.3.4 与粗糙集分类结果对比 | 第47页 |
| 4.4 本章小结 | 第47-49页 |
| 第五章 基于案例推理的分类决策支持系统 | 第49-58页 |
| 5.1 系统需求分析 | 第49页 |
| 5.1.1 系统开发动因 | 第49页 |
| 5.1.2 系统设计目标 | 第49页 |
| 5.2 系统设计 | 第49-51页 |
| 5.2.1 系统总体结构 | 第49-51页 |
| 5.2.2 系统流程图 | 第51页 |
| 5.3 系统操作示例 | 第51-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 本文的主要研究结论 | 第58页 |
| 6.2 进一步研究方向 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 在学期间的研究成果及发表的学术论文 | 第66页 |