| 摘要 | 第1-6页 |
| Abstract | 第6-15页 |
| 第一章 绪论 | 第15-32页 |
| ·数据挖掘研究的内容与任务 | 第15-18页 |
| ·数据挖掘研究的内容 | 第15-16页 |
| ·数据挖掘研究的任务 | 第16-18页 |
| ·数据挖掘的方法和技术 | 第18-19页 |
| ·数据挖掘的研究现状 | 第19-20页 |
| ·国外研究现状 | 第19页 |
| ·国内研究现状 | 第19-20页 |
| ·关联规则挖掘的基本概念 | 第20-21页 |
| ·事务数据库的特性 | 第21页 |
| ·关联规则发现 | 第21-22页 |
| ·关联规则挖掘算法的问题描述 | 第22-23页 |
| ·关联规则挖掘算法的研究现状 | 第23-29页 |
| ·关联规则挖掘算法分类 | 第24-29页 |
| ·关联规则挖掘存在的问题 | 第29页 |
| ·课题解决的关键问题 | 第29-30页 |
| 小结 | 第30-32页 |
| 第二章 Apriori及变种算法分析与改进 | 第32-57页 |
| ·Apriori算法概述 | 第32页 |
| ·Apriori算法 | 第32-37页 |
| ·Apriori算法描述 | 第32-34页 |
| ·生成规则 | 第34-35页 |
| ·Apriori算法分析 | 第35-37页 |
| ·Apriori算法优化与改进 | 第37-41页 |
| ·减少数据库内部事务的方法 | 第37-38页 |
| ·基于用户感兴趣项集和项集重要性的改进算法 | 第38-40页 |
| ·基于矩阵的方法 | 第40-41页 |
| ·AprioriTid算法 | 第41-42页 |
| ·AprioriTid算法改进 | 第42-45页 |
| ·AprioriTid算法的优化思想 | 第42-43页 |
| ·基于事务和项目压缩的AprioriTid改进算法 | 第43-45页 |
| ·AprioriHybrid算法 | 第45-50页 |
| ·AprioriHybrid算法分析 | 第45-46页 |
| ·基于压缩事务矩阵相乘的AprioriHybrid算法改进 | 第46-48页 |
| ·实例分析 | 第48-49页 |
| ·改进后的AprioriHybrid算法仿真和性能分析 | 第49-50页 |
| ·DHP算法 | 第50-51页 |
| ·DHP算法要点 | 第50-51页 |
| ·DHP算法描述 | 第51页 |
| ·基于抽样技术的DHP改进算法 | 第51-56页 |
| ·基于抽样技术的DHP改进算法描述 | 第52页 |
| ·数据库的进一步剪枝 | 第52-53页 |
| ·实验分析 | 第53-56页 |
| 小结 | 第56-57页 |
| 第三章 关联规则挖掘算法通讯效率分析及算法改进 | 第57-80页 |
| ·分布式关联规则挖掘算法 | 第57-60页 |
| ·CD算法 | 第58页 |
| ·DD算法 | 第58-59页 |
| ·FDM算法 | 第59-60页 |
| ·分布式关联规则挖掘算法主要问题分析 | 第60-61页 |
| ·基本条件及符号约定 | 第61-62页 |
| ·基本条件 | 第61页 |
| ·符号约定 | 第61-62页 |
| ·分布式决策挖掘算法 | 第62-65页 |
| ·算法描述 | 第62-64页 |
| ·通讯复杂性分析 | 第64-65页 |
| ·计算复杂度分析 | 第65页 |
| ·抢先分布式决策挖掘 | 第65-67页 |
| ·算法描述 | 第65-67页 |
| ·复杂度分析 | 第67页 |
| ·分布式双重决策挖掘算法 | 第67-72页 |
| ·算法描述 | 第68-70页 |
| ·算法复杂度分析 | 第70页 |
| ·规则修剪 | 第70-72页 |
| ·实验结果 | 第72-79页 |
| 小结 | 第79-80页 |
| 第四章 关联规则树分类模型的构建与优化 | 第80-97页 |
| ·规则学习和决策表 | 第81页 |
| ·决策树 | 第81-84页 |
| ·决策树算法 | 第82-84页 |
| ·关联规则树分类模型 | 第84-89页 |
| ·关联规则树的构建 | 第84-85页 |
| ·候选规则挖掘 | 第85-86页 |
| ·规则的选择标准 | 第86-87页 |
| ·分类器的使用 | 第87-88页 |
| ·关联规则树分类器参数 | 第88-89页 |
| ·实验结果 | 第89页 |
| ·结果分析与比较 | 第89-92页 |
| ·分类器的精确度 | 第90页 |
| ·分类器的复杂度 | 第90-91页 |
| ·分类器的效率 | 第91-92页 |
| ·分类器阈值的选择 | 第92-96页 |
| ·最小支持度阈值 | 第92-94页 |
| ·启发式置信度阈值选择 | 第94-96页 |
| 小结 | 第96-97页 |
| 第五章 基于关联规则挖掘的滑坡监测模型的设计与实现 | 第97-115页 |
| ·滑坡监测的背景 | 第97-98页 |
| ·滑坡监测数据常规分析 | 第98-99页 |
| ·滑坡监测数据定性分析 | 第98页 |
| ·滑坡监测数据定量分析 | 第98-99页 |
| ·现有形变监测数据分析方法的不足 | 第99页 |
| ·滑坡监测数据挖掘的意义 | 第99-100页 |
| ·滑坡监测数据关联规则挖掘的可行性 | 第100-101页 |
| ·滑坡监测模型设计 | 第101-114页 |
| ·模型体系结构和功能框架 | 第101页 |
| ·系统设计的总体目标 | 第101-102页 |
| ·数据处理 | 第102-106页 |
| ·数据预处理 | 第103-106页 |
| ·原型系统实现的关键技术 | 第106-109页 |
| ·关联规则挖掘 | 第109-114页 |
| ·数据挖掘的规则 | 第109页 |
| ·滑坡模式匹配，找出关于滑坡原因的频繁项集 | 第109-110页 |
| ·过滤候选集，确定滑坡类型 | 第110页 |
| ·滑坡监测资料的关联规则挖掘 | 第110-114页 |
| 小结 | 第114-115页 |
| 第六章 总结与展望 | 第115-119页 |
| ·总结 | 第115-117页 |
| ·展望 | 第117-119页 |
| 参考文献 | 第119-128页 |
| 致谢 | 第128-129页 |
| 在学期间的研究成果及发表的学术论文 | 第129-131页 |
