| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 前言 | 第9-14页 |
| 第1章 绪论 | 第14-20页 |
| ·复杂工业过程及其控制 | 第14-15页 |
| ·数据挖掘的提出与发展 | 第15-17页 |
| ·现有的常用数据挖掘方法 | 第17-18页 |
| ·数据挖掘方法在复杂工业过程控制中的应用 | 第18-19页 |
| ·本文的内容与结构 | 第19-20页 |
| 第2章 复杂工业过程中数据挖掘概述 | 第20-26页 |
| ·复杂工业过程与数据挖掘的关系 | 第20页 |
| ·复杂工业过程中数据挖掘的任务和目的 | 第20-21页 |
| ·数据挖掘过程模型 | 第21-24页 |
| ·Fayyad 数据挖掘过程模型 | 第21-22页 |
| ·GRISP-DM 数据挖掘过程模型 | 第22-23页 |
| ·其它的数据挖掘模型 | 第23页 |
| ·复杂工业过程数据挖掘一般过程 | 第23-24页 |
| ·数据挖掘算法的化约主义观点 | 第24-26页 |
| 第3章 基础知识 | 第26-41页 |
| ·监督学习 | 第26页 |
| ·贝叶斯相关理论 | 第26-29页 |
| ·概率分布 | 第26-29页 |
| ·极大似然估计法 | 第29-30页 |
| ·贝叶斯网络 | 第30-33页 |
| ·贝叶斯网络 | 第30-31页 |
| ·贝叶斯网络推理 | 第31页 |
| ·EM 学习理论 | 第31-32页 |
| ·核函数方法 | 第32-33页 |
| ·图论 | 第33-35页 |
| ·基本情况 | 第34-35页 |
| ·图分割 | 第35页 |
| ·支持向量机模型 | 第35-41页 |
| ·期望风险和经验风险 | 第36页 |
| ·学习过程的一致性 | 第36-37页 |
| ·VC 维 | 第37页 |
| ·结构风险最小 | 第37-38页 |
| ·最优超平面 | 第38-39页 |
| ·线性情况 | 第39-40页 |
| ·非线性情况 | 第40-41页 |
| 第4章 相关向量机机器学习理论 | 第41-51页 |
| ·引言 | 第41-42页 |
| ·相关向量机 | 第42-45页 |
| ·相关向量机模型 | 第42-43页 |
| ·模型推导 | 第43-45页 |
| ·回归模型和分类模型 | 第45-47页 |
| ·回归模型 | 第45-46页 |
| ·分类模型 | 第46-47页 |
| ·使用相关向量机进行回归和分类 | 第47-51页 |
| ·一维回归 | 第47-48页 |
| ·二维回归 | 第48-49页 |
| ·二维分类 | 第49-51页 |
| 第5章 粗糙集数据挖掘理论方法 | 第51-84页 |
| ·粗糙集 | 第51-54页 |
| ·微粒群优化算法 | 第54-57页 |
| ·标准的微粒群算法（PSO） | 第54-55页 |
| ·离散微粒群算法（DPSO） | 第55-57页 |
| ·差异演化优化算法 | 第57-59页 |
| ·二分法思想 | 第59页 |
| ·粗糙集的修剪思想和修剪规则 | 第59-61页 |
| ·修剪思想(Pruning Thought) | 第59-61页 |
| ·修剪规则(Pruning Rules) | 第61页 |
| ·属性约简 | 第61-81页 |
| ·基于微粒群算法的属性约简算法 | 第61-65页 |
| ·求解粗糙集属性约简问题的离散微粒群算法 | 第65-69页 |
| ·求解粗糙集属性约简问题的离散差异演化算法 | 第69-75页 |
| ·基于二分法的粗糙集属性约简算法 | 第75-78页 |
| ·基于修剪规则的粗糙集属性约简算法 | 第78-81页 |
| ·常见属性约简方法评价 | 第81-82页 |
| ·小结 | 第82-84页 |
| 第6章 相关向量机在复杂工业过程中数据挖掘过程与实例 | 第84-88页 |
| ·引言 | 第84-85页 |
| ·相关向量机在铜转炉吹炼中的应用 | 第85-87页 |
| ·训练样本的获取和预处理 | 第85页 |
| ·训练样本和属性选取 | 第85页 |
| ·回归预测 | 第85-86页 |
| ·结果分析 | 第86-87页 |
| ·小结 | 第87-88页 |
| 第7章 结论与建议 | 第88-90页 |
| ·结论 | 第88页 |
| ·建议 | 第88-90页 |
| 参考文献 | 第90-97页 |
| 致谢 | 第97-98页 |
| 攻读学位期间发表的论文 | 第98-99页 |
| 攻读学位期间参与的课题 | 第99页 |