| 摘要 | 第1-4页 |
| Abstract | 第4-10页 |
| 第1章 绪论 | 第10-18页 |
| ·引言 | 第10-11页 |
| ·研究的背景及意义 | 第11-12页 |
| ·研究的背景 | 第11页 |
| ·研究的意义 | 第11-12页 |
| ·数据挖掘研究现状 | 第12-13页 |
| ·粗糙集在数据挖掘中发展及应用 | 第13页 |
| ·RBF 神经网络发展及应用 | 第13-14页 |
| ·基于粗糙集与 RBF 神经网络的数据挖掘 | 第14-15页 |
| ·本文的组织结构 | 第15页 |
| ·本章小结 | 第15-18页 |
| 第2章 数据挖掘的基本理论 | 第18-26页 |
| ·什么是数据挖掘 | 第18-19页 |
| ·数据挖掘的研究内容 | 第19-20页 |
| ·数据挖掘过程 | 第20-21页 |
| ·数据挖掘常用方法 | 第21-23页 |
| ·数据挖掘应用及面临的挑战 | 第23-24页 |
| ·数据挖掘的应用 | 第23-24页 |
| ·数据挖掘面临的挑战 | 第24页 |
| ·本章小结 | 第24-26页 |
| 第3章 RBF 神经网络 | 第26-38页 |
| ·生物神经元与人工神经元 | 第26-27页 |
| ·人工神经网络概述 | 第27-30页 |
| ·人工神经网络特点 | 第27-28页 |
| ·神经网络的学习方法 | 第28页 |
| ·神经网络模型 | 第28-30页 |
| ·RBF 神经网络 | 第30-36页 |
| ·基本理论 | 第30页 |
| ·径向基函数（RBF 函数） | 第30-31页 |
| ·RBF 神经网络的结构与工作原理 | 第31-32页 |
| ·RBF 神经网络网络中心选取算法 | 第32-34页 |
| ·RBF 神经网络的学习算法 | 第34-36页 |
| ·RBF 神经网络面临的挑战 | 第36页 |
| ·本章小结 | 第36-38页 |
| 第4章 粗糙集的基本理论及在数据挖掘中的应用 | 第38-46页 |
| ·知识与分类 | 第38页 |
| ·粗糙集的基本概念 | 第38-40页 |
| ·粗糙集不确定性程度表示 | 第40-41页 |
| ·基于粗糙集的数据挖掘 | 第41-44页 |
| ·数据的预处理 | 第41-42页 |
| ·属性约简 | 第42-43页 |
| ·值约简 | 第43-44页 |
| ·规则提取 | 第44页 |
| ·数据挖掘中粗糙集方法的应用优势和面临的问题 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第5章 粗糙集与 RBF 神经网络算法设计与实例 | 第46-58页 |
| ·神经网络与粗糙集理论集成 | 第46-47页 |
| ·为何要选取 RBF 神经网络 | 第47-48页 |
| ·问题的提出 | 第48-49页 |
| ·基于 RBF 神经网络与粗糙集理论的算法设计思路 | 第49-52页 |
| ·应用实例 | 第52-56页 |
| ·数据的预处理 | 第52-53页 |
| ·RBF 神经网络对数据进行处理 | 第53-54页 |
| ·基于粗糙集的数据挖掘 | 第54-56页 |
| ·本章小结 | 第56-58页 |
| 结论与展望 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 攻读硕士学位期间发表的学术论文 | 第62-64页 |
| 致谢 | 第64-65页 |
| 详细摘要 | 第65-69页 |