基于覆盖约简的符号型数据分类及主动学习
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-12页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 分类研究现状 | 第8页 |
| 1.2.2 粗糙集研究现状 | 第8-9页 |
| 1.2.3 主动学习研究现状 | 第9-10页 |
| 1.3 本文工作创新 | 第10-11页 |
| 1.4 结构组织 | 第11-12页 |
| 第2章 背景知识及相关理论 | 第12-20页 |
| 2.1 决策信息系统 | 第12-13页 |
| 2.2 粗糙集理论 | 第13-15页 |
| 2.2.1 知识 | 第13页 |
| 2.2.2 不可分辨关系与弱不可分辨关系 | 第13-14页 |
| 2.2.3 上近似和下近似 | 第14-15页 |
| 2.2.4 相似关系 | 第15页 |
| 2.3 邻居与邻域 | 第15-17页 |
| 2.4 K最近邻算法 | 第17-18页 |
| 2.5 规则学习 | 第18页 |
| 2.6 UCI数据集 | 第18页 |
| 2.7 本章小结 | 第18-20页 |
| 第3章 基于代表的邻域覆盖粗糙集分类算法 | 第20-32页 |
| 3.1 问题描述 | 第20-21页 |
| 3.2 算法描述 | 第21-28页 |
| 3.2.1 分类流程 | 第21-22页 |
| 3.2.2 运行实例 | 第22-26页 |
| 3.2.3 算法伪代码 | 第26-28页 |
| 3.3 实验结果 | 第28-31页 |
| 3.3.1 分类精度对比实验 | 第28-30页 |
| 3.3.2 代表数量对比实验 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于不同相似度的代表选举算法研究 | 第32-42页 |
| 4.1 其他相似度 | 第32-34页 |
| 4.1.1 ESKIN相似度 | 第32-33页 |
| 4.1.2 IOF相似度 | 第33页 |
| 4.1.3 OF相似度 | 第33页 |
| 4.1.4 GOODALL3相似度 | 第33-34页 |
| 4.1.5 GOODALL4相似度 | 第34页 |
| 4.2 运行实例 | 第34-36页 |
| 4.3 实验结果 | 第36-41页 |
| 4.3.1 分类精度对比实验 | 第36-37页 |
| 4.3.2 平均代表阈值对比实验 | 第37-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 基于不同冲突解决的代表选举算法研究 | 第42-49页 |
| 5.1 冲突解决方案 | 第42-46页 |
| 5.1.1 相似度模型 | 第42-43页 |
| 5.1.2 支持度模型 | 第43-44页 |
| 5.1.3 密度模型 | 第44-45页 |
| 5.1.4 属性权重模型 | 第45-46页 |
| 5.2 实验结果 | 第46-48页 |
| 5.3 本章小结 | 第48-49页 |
| 第6章 基于代表的主动学习分类研究 | 第49-62页 |
| 6.1 问题描述 | 第49页 |
| 6.2 算法描述 | 第49-53页 |
| 6.2.1 分类流程 | 第49-50页 |
| 6.2.2 基于代表性的主动学习策略 | 第50-51页 |
| 6.2.3 基于不确定性的主动学习策略 | 第51-53页 |
| 6.3 实验结果 | 第53-61页 |
| 6.3.1 基于代表性的主动学习策略 | 第53-56页 |
| 6.3.2 基于不确定性的主动学习策略 | 第56-57页 |
| 6.3.3 与其他主动学习算法的比较 | 第57-59页 |
| 6.3.4 不同初始训练集下的主动学习比较 | 第59-61页 |
| 6.4 本章小结 | 第61-62页 |
| 第7章 结论 | 第62-64页 |
| 7.1 本文工作总结 | 第62-63页 |
| 7.2 未来工作展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第70页 |
