| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 数据分类算法研究现状 | 第12-13页 |
| 1.2.2 不确定性数据研究现状 | 第13页 |
| 1.2.3 面向不确定性数据的分类方法研究现状 | 第13-15页 |
| 1.3 主要研究工作和内容安排 | 第15-17页 |
| 第二章 不确定数据及传统分类算法 | 第17-25页 |
| 2.1 不确定性数据概述 | 第17-19页 |
| 2.1.1 不确定性数据产生原因 | 第17页 |
| 2.1.2 不确定性数据的表现形式及模型 | 第17-19页 |
| 2.2 传统分类算法 | 第19-24页 |
| 2.2.1 支持向量机 | 第19-21页 |
| 2.2.2 朴素贝叶斯 | 第21-22页 |
| 2.2.3 决策树 | 第22-23页 |
| 2.2.4 三种分类算法比较 | 第23页 |
| 2.2.5 分类算法的性能评价指标 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 不确定性数据的支持向量机分类方法 | 第25-42页 |
| 3.1 引言 | 第25-26页 |
| 3.2 不确定数据模型 | 第26-27页 |
| 3.3 区间不确定性支持向量机（IUSVM） | 第27-33页 |
| 3.3.1 IUSVM数学模型 | 第27-30页 |
| 3.3.2 IUSVM算法分类的推广 | 第30-33页 |
| 3.4 不确定性超球支持向量机（IUHSVM） | 第33-36页 |
| 3.5 实验及结果 | 第36-41页 |
| 3.5.1 实验数据 | 第36-37页 |
| 3.5.2 实验设置 | 第37-38页 |
| 3.5.3 算法有效性验证 | 第38-39页 |
| 3.5.4 算法精度比较 | 第39-40页 |
| 3.5.5 算法效率比较 | 第40-41页 |
| 3.6 小结 | 第41-42页 |
| 第四章 不确定性数据的朴素贝叶斯分类方法 | 第42-56页 |
| 4.1 引言 | 第42-43页 |
| 4.2 基于直方图估计的区间不确定性朴素贝叶斯分类方法 | 第43-46页 |
| 4.2.1 直方图估计法 | 第44页 |
| 4.2.2 区间数的直方图估计方法 | 第44-46页 |
| 4.3 基于改进Parzen窗的区间不确定性朴素贝叶斯分类方法 | 第46-49页 |
| 4.3.1 Parzen窗估计理论 | 第46-47页 |
| 4.3.2 区间数的Parzen窗估计模型 | 第47-48页 |
| 4.3.3 改进的区间数Parzen窗估计模型 | 第48-49页 |
| 4.4 实验及结果 | 第49-55页 |
| 4.4.1 实验数据 | 第49-50页 |
| 4.4.2 IU-HNBC算法性能分析 | 第50-51页 |
| 4.4.3 IU-PNBC算法性能分析 | 第51-55页 |
| 4.5 小结 | 第55-56页 |
| 第五章 不确定性数据的决策树分类方法 | 第56-64页 |
| 5.1 引言 | 第56-57页 |
| 5.2 模糊理论 | 第57页 |
| 5.3 模糊C均值聚类 | 第57-58页 |
| 5.4 区间不确定性数据的模糊决策树分类方法（IU-FDT） | 第58-61页 |
| 5.4.1 Fuzzy C4.5 算法的模糊信息熵 | 第59页 |
| 5.4.2 IU-FDT算法的模糊数据模型 | 第59-60页 |
| 5.4.3 模糊决策树算法 | 第60-61页 |
| 5.4 实验 | 第61-63页 |
| 5.5.1 实验数据 | 第61-62页 |
| 5.5.2 IU-FDT算法有效性分析 | 第62-63页 |
| 5.5.3 IU-FDT算法时间效率分析 | 第63页 |
| 5.6 小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-67页 |
| 6.1 总结 | 第64-66页 |
| 6.2 工作展望 | 第66-67页 |
| 参考 文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 攻读学位期间的研究成果 | 第72-73页 |
