Rough Set理论及其在数据挖掘中的应用研究
中文摘要 | 第1-7页 |
英文摘要 | 第7-13页 |
中文图清单 | 第13-14页 |
英文图清单 | 第14-15页 |
中文表清单 | 第15-16页 |
英文表清单 | 第16-17页 |
1 绪 论 | 第17-25页 |
·引言 | 第17-18页 |
·数据挖掘与Rough Set理论的研究现状 | 第18-21页 |
·基于Rough Set理论的数据挖掘中的问题 | 第21-22页 |
·论文背景及主要工作内容 | 第22-23页 |
·论文组织与结构 | 第23-25页 |
2 数据挖掘与Rough Set理论 | 第25-33页 |
·数据库中的知识发现与数据挖掘 | 第25-26页 |
·数据挖掘简介 | 第26-28页 |
·数据挖掘模式类型 | 第26-27页 |
·数据挖掘方法--分类发现 | 第27-28页 |
·Rough Set 理论之特点 | 第28-29页 |
·基于Rough Set理论的数据挖掘模型 | 第29-31页 |
·小结 | 第31-33页 |
3 Rough Set理论的代数表示与信息表示 | 第33-51页 |
·Rough Set理论的代数表示 | 第33-39页 |
·知识与等价关系 | 第33-34页 |
·信息系统和决策表 | 第34-35页 |
·近似集、边界区和Rough集 | 第35-37页 |
·属性重要性、约简和核 | 第37-39页 |
·Rough Set理论的信息表示 | 第39-45页 |
·信息熵与条件熵 | 第39页 |
·知识与信息熵的关系 | 第39-42页 |
·一般信息表的知识约简 | 第42-44页 |
·决策表的知识约简 | 第44-45页 |
·属性重要性 | 第45页 |
·Rough Set理论代数表示与信息表示的关系 | 第45-49页 |
·属性重要性的代数定义与信息定义的关系 | 第45-46页 |
·约简运算的代数描述和信息描述之间的关系 | 第46-49页 |
·小结 | 第49-51页 |
4 基于条件信息熵的知识约简算法 | 第51-69页 |
·可辨识矩阵 | 第51-53页 |
·部分知识约简算法介绍 | 第53-54页 |
·约简过程中信息熵的变化规律 | 第54-56页 |
·知识约简算法CEBARKCC | 第56-58页 |
·算法思想与算法描述 | 第56-57页 |
·实例分析 | 第57-58页 |
·知识约简算法CEBARKNC | 第58-61页 |
·算法思想与算法描述 | 第58-59页 |
·实例分析 | 第59-61页 |
·算法分析与对比 | 第61-63页 |
·实验与结果 | 第63-67页 |
·小结 | 第67-69页 |
5 增量式知识获取算法 | 第69-87页 |
·有关概念 | 第69-73页 |
·决策逻辑语言形式化定义及语义 | 第69-71页 |
·决策表最小化 | 第71-72页 |
·有导师学习 | 第72页 |
·动态学习 | 第72-73页 |
·增量式知识获取算法 | 第73-79页 |
·新增样本的分类 | 第73-75页 |
·约简变化规律 | 第75-77页 |
·增量式知识获取算法IKAA | 第77-79页 |
·实例分析 | 第79-81页 |
·非增量式知识获取算法NIKAA | 第79-80页 |
·增量式知识获取算法IKAA | 第80-81页 |
·算法分析与对比 | 第81-83页 |
·实验与结果 | 第83-86页 |
·小结 | 第86-87页 |
6 电子邮件过滤中的Rough Set分析模型 | 第87-95页 |
·电子邮件过滤 | 第87-90页 |
·垃圾邮件 | 第87-88页 |
·电子邮件过滤 | 第88-90页 |
·电子邮件过滤系统的Rough Set模型 | 第90页 |
·电子邮件过滤系统的信息建模 | 第90-91页 |
·实验与结果 | 第91-94页 |
·小结 | 第94-95页 |
7 实验系统 | 第95-103页 |
·系统简介 | 第95-96页 |
·系统框架 | 第96-97页 |
·系统功能 | 第97-98页 |
·系统实现 | 第98-101页 |
·小结 | 第101-103页 |
8 结 论 | 第103-107页 |
·工作总结 | 第103-105页 |
·论文成果 | 第105页 |
·将来的工作 | 第105-107页 |
致 谢 | 第107-109页 |
参考文献 | 第109-115页 |
附录A 作者在攻读博士学位期间发表的论文清单 | 第115-116页 |
附录B 作者在攻读博士学位期间参加的科研项目 | 第116页 |