| 绪论 | 第1-14页 |
| 1． 采用粗糙集理论进行分析的基本步骤 | 第9-12页 |
| 1．1 决策表的约简 | 第9-10页 |
| 1．2 连续属性的离散化 | 第10-11页 |
| 1．3 粗糙集与其它软计算方法的集成 | 第11-12页 |
| 2． 粗糙集理论应用的展望 | 第12-14页 |
| 第一章 粗糙集理论基础 | 第14-20页 |
| 1．1 粗糙集理论基本概念 | 第14-17页 |
| 1．1．1 论域、知识与等价类 | 第14-15页 |
| 1．1．2 粗糙集合逼近 | 第15页 |
| 1．1．3 评价粗糙集的相关函数 | 第15-16页 |
| 1．1．4 属性的约简 | 第16-17页 |
| 1．2 决策表分析基础 | 第17-18页 |
| 1．3 知识的获取 | 第18-19页 |
| 1．4 本章小结 | 第19-20页 |
| 第二章 粗糙集理论在决策树优化中的应用 | 第20-26页 |
| 2．1 粗糙集和决策树 | 第20-21页 |
| 2．2 构造超属性决策树 | 第21-22页 |
| 2．3 基于粗糙集理论的决策树优化方法 | 第22-25页 |
| 2．3．1 基本概念 | 第22-23页 |
| 2．3．2 决策树优化算法 | 第23-25页 |
| 2．4 本章小结 | 第25-26页 |
| 第三章 粗糙集与神经网络的集成 | 第26-31页 |
| 3．1 粗糙集与神经网络 | 第26-28页 |
| 3．2 粗糙集与神经网络集成的研究现状评述 | 第28-30页 |
| 3．3 本章小结 | 第30-31页 |
| 第四章 连续属性的离散化 | 第31-39页 |
| 4．1 相容连续条件属性决策表的离散化 | 第31-33页 |
| 4．1．1 连续属性重要性的度量 | 第31-32页 |
| 4．1．2 一种连续属性的离散化算法 | 第32-33页 |
| 4．2 基于遗传算法的连续属性离散化方法 | 第33-35页 |
| 4．2．1 基本概念 | 第33-34页 |
| 4．2．2 侯选分割点的选择 | 第34页 |
| 4．2．3 分割点集的优选 | 第34-35页 |
| 4．3 一种基于分割点分离矩阵的离散化优化方法 | 第35-38页 |
| 4．4 本章小结 | 第38-39页 |
| 第五章 决策表最优属性的选择 | 第39-48页 |
| 5．1 最优属性子集选择的理论基础 | 第39-42页 |
| 5．1．1 扩张矩阵理论 | 第39-40页 |
| 5．1．2 决策表的核 | 第40页 |
| 5．1．3 特征矩阵 | 第40-41页 |
| 5．1．4 分类及分类矩阵 | 第41页 |
| 5．1．5 最优属性选择的启发式算法 | 第41-42页 |
| 5．2 一种新的基于评分函数的启发式算法： | 第42-43页 |
| 5．3 处理时序决策表的方法 | 第43-44页 |
| 5．3．1 约简时序决策表算法1（获取TDT中非时序信息） | 第43页 |
| 5．3．2 约简时序决策表算法2（获取TDT中时序信息） | 第43页 |
| 5．3．3 约简时序决策表算法3（获取TDT中关于变化量的信息） | 第43-44页 |
| 5．3．4 约简时序决策表算法4（获取TDT中关于变化率的信息） | 第44页 |
| 5．4 对连续型决策属性处理方法的探讨 | 第44-45页 |
| 5．4．1 基本概念 | 第44-45页 |
| 5．4．2 一种基于灰色聚类的连续决策属性的处理方法 | 第45页 |
| 5．5 基于粗糙集的决策知识获取 | 第45-47页 |
| 5．5．1 基于粗糙集理论的启发式算法 | 第45-46页 |
| 5．5．2 一种常用的属性选择和知识归纳 | 第46-47页 |
| 5．6 本章小结 | 第47-48页 |
| 第六章 粗糙集理论在不确定决策中的应用 | 第48-57页 |
| 6．1 对不确定决策问题的界定 | 第48-49页 |
| 6．1．1 基本概念 | 第48页 |
| 6．1．2 不确定信息的产生根源 | 第48-49页 |
| 6．2 基于粗糙集理论解决不确定决策问题的可行性讨论 | 第49-51页 |
| 6．3 采用粗糙集理论解决实际不确定决策问题的解决步骤 | 第51-52页 |
| 6．4 采用粗糙集理论解决不确定决策问题的实例分析 | 第52-56页 |
| 6．5 本章小结 | 第56-57页 |
| 结束语 | 第57-58页 |
| 致谢 | 第58-59页 |
| 硕士期间发表的论文清单 | 第59-60页 |
| 参考文献 | 第60-62页 |
