| 第一章 概述 | 第1-22页 |
| §1.1 问题的提出 | 第12-14页 |
| §1.1.1 数据库技术的发展 | 第12-13页 |
| §1.1.2 网络技术的发展 | 第13-14页 |
| §1.2 知识发现和数据挖掘 | 第14-19页 |
| §1.2.1 基本概念 | 第14-15页 |
| §1.2.2 KDD过程和任务 | 第15页 |
| §1.2.3 数据挖掘系统的构成 | 第15-17页 |
| §1.2.4 数据挖掘发展及所面临的问题 | 第17-19页 |
| §1.2.4.1 数据挖掘发展 | 第17-18页 |
| §1.2.4.2 数据挖掘所面临的挑战 | 第18-19页 |
| §1.3 形式概念分析概述 | 第19-21页 |
| §1.3.1 形式概念分析的起源 | 第19-20页 |
| §1.3.2 形式概念分析主要内容 | 第20页 |
| §1.3.3 国内外研究现状 | 第20-21页 |
| §1.4 本文的组织 | 第21-22页 |
| 第二章 概念格模型的基础 | 第22-32页 |
| §2.1 概念格数学模型 | 第22-24页 |
| §2.1.1 序论与格论中的基本定义——代数格 | 第22-23页 |
| §2.1.2 形式概念分析的理论基础——概念格 | 第23-24页 |
| §2.2 概念格及其扩展模型的研究 | 第24-30页 |
| §2.2.1 传统的概念格 | 第24-25页 |
| §2.2.2 概念格扩展模型 | 第25-30页 |
| §2.2.2.1 扩展概念格 | 第26-27页 |
| §2.2.2.2 量化概念格 | 第27-28页 |
| §2.2.2.3 广义概念格 | 第28-29页 |
| §2.2.2.4 基于近似包含和近似等价关系的格结构 | 第29-30页 |
| §2.3 概念格的建格算法 | 第30-31页 |
| §2.4 本章小结 | 第31-32页 |
| 第三章 分布式概念格模型及基于子全概念的算法SEA | 第32-45页 |
| §3.1 基本定义 | 第32-33页 |
| §3.1.1 数学模型 | 第32页 |
| §3.1.2 数据的有机分割 | 第32-33页 |
| §3.2 基于子全概念的概念格构造算法SEA | 第33-34页 |
| §3.2.1 算法概述 | 第33-34页 |
| §3.2.2 SEA算法与其它概念格并行算法的比较 | 第34页 |
| §3.3 数据的有机分割与子全概念的生成 | 第34-38页 |
| §3.3.1 直接扩展节点的计算 | 第34-36页 |
| §3.3.2 子全概念的生成 | 第36-38页 |
| §3.4 渐进式算法的基本思想 | 第38-39页 |
| §3.5 子格的合并 | 第39-40页 |
| §3.6 示例说明 | 第40-42页 |
| §3.7 实验结果及算法时空性能考虑 | 第42-44页 |
| §3.8 本章小结 | 第44-45页 |
| 第四章 基于概念格的分类 | 第45-60页 |
| §4.1 分类问题概述 | 第45页 |
| §4.2 分类问题所用到的方法 | 第45-51页 |
| §4.2.1 决策树分类 | 第46-48页 |
| §4.2.2 贝叶斯分类 | 第48-50页 |
| §4.2.3 神经网络 | 第50页 |
| §4.2.4 基于概念格的分类 | 第50页 |
| §4.2.5 其它分类方法 | 第50-51页 |
| §4.3 基于概念格的分类系统ABCS | 第51-57页 |
| §4.3.1 基本概念 | 第51-52页 |
| §4.3.2 类特征的提取算法 | 第52-54页 |
| §4.3.3 分类策略与分类器 | 第54-55页 |
| §4.3.4 实例说明 | 第55-57页 |
| §4.4 概念格和其他分类规则学习方法的比较 | 第57-60页 |
| 第五章 基于概念格的数据挖掘原型系统Condis的设计 | 第60-65页 |
| §5.1 设计需求 | 第60-61页 |
| §5.2 系统构成 | 第61-62页 |
| §5.3 系统实现 | 第62-65页 |
| 第六章 结束语 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 研究生期间发表论文 | 第69页 |
