| 第一章 引言 | 第1-11页 |
| ·数据挖掘 | 第7页 |
| ·数据挖掘技术产生的背景 | 第7-8页 |
| ·数据挖掘技术的现实意义 | 第8页 |
| ·数据挖掘技术的发展与研究现状 | 第8-9页 |
| ·数据挖掘技术 | 第9-10页 |
| ·论文的组织 | 第10-11页 |
| 第二章 关联规则挖掘算法 | 第11-18页 |
| ·引言 | 第11页 |
| ·关联规则挖掘描述 | 第11-12页 |
| ·关联规则种类 | 第12-13页 |
| ·Apriori算法及其改进 | 第13-16页 |
| ·Apriori算法的基本思路 | 第13页 |
| ·Apriori算法的各种改进 | 第13-16页 |
| ·FP-Growth树频集算法 | 第16-18页 |
| 第三章 关联规则的扩展 | 第18-25页 |
| ·多层次关联规则 | 第18页 |
| ·多维关联规则 | 第18-19页 |
| ·基于约束的关联规则 | 第19-20页 |
| ·定量关联规则 | 第20-21页 |
| ·周期关联规则 | 第21页 |
| ·加权关联规则 | 第21-22页 |
| ·负关联规则 | 第22-23页 |
| ·序列模式 | 第23页 |
| ·比例规则 | 第23-25页 |
| 第四章 关联规则更新算法 | 第25-31页 |
| ·CD、DD和CaD算法 | 第25-27页 |
| 1. CD算法 | 第25-26页 |
| 2. DD算法 | 第26页 |
| 3. CaD算法 | 第26-27页 |
| ·FUP算法和FUP2算法 | 第27-28页 |
| ·IUA算法和NEWIUA算法 | 第28-30页 |
| ·MAQA算法 | 第30-31页 |
| 第五章 自适应快速关联规则挖掘算法 | 第31-37页 |
| ·引言 | 第31页 |
| ·自适应快速关联规则挖掘算法 | 第31-32页 |
| AFApriori(Adapated Fast Aprjori) | 第31-32页 |
| ·有关概念 | 第31-32页 |
| ·其他优化算法及其特点 | 第32页 |
| ·自适应快速Apriori算法(以下简称AFApriori) | 第32-34页 |
| ·自适应可变步长和树修剪 | 第32-33页 |
| ·自适应可变步长hs的确定 | 第33-34页 |
| ·树修剪 | 第34页 |
| ·AFApriori算法步骤 | 第34页 |
| ·仿真示例 | 第34-36页 |
| ·实际应用 | 第36页 |
| ·本章小结 | 第36-37页 |
| 第六章 基于利润约束的时态数据关联规则挖掘算法 | 第37-46页 |
| ·引言 | 第37-38页 |
| ·有关概念 | 第38-39页 |
| ·CT-FP-Growth算法 | 第39-42页 |
| ·利润约束区域的生成 | 第39页 |
| ·有效时间区域的生成 | 第39-40页 |
| ·时态频繁项集的生成 | 第40页 |
| ·CT-FP-Growth算法具体描述 | 第40-42页 |
| ·算法应用 | 第42-44页 |
| ·利润约束分类P： | 第43页 |
| ·Fisher聚类 | 第43页 |
| ·CT-FP-Growth 与FP-Growth算法对照： | 第43-44页 |
| ·应用实例 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第七章 关联规则在病人治疗决策支持系统中的应用 | 第46-54页 |
| ·引言 | 第46页 |
| ·病人治疗信息数据 | 第46-47页 |
| ·信息挖掘 | 第47-53页 |
| ·样本分布 | 第47-48页 |
| ·药品对于血液中Na与K含量影响的挖掘 | 第48-51页 |
| ·挖掘药品与血压之间的关联规则 | 第51页 |
| ·由决策树挖掘医嘱信息 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第八章 结束语 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 附录1 | 第61-68页 |
| 源科序 AFApriori实现程序(VC++6.0) | 第61-68页 |
| 附录2 攻读硕士期间参与的项目情况 | 第68页 |
| 附录3 攻读硕士期间发表的论文情况 | 第68页 |
| 附录4 攻读硕士期间获奖情况 | 第68页 |
