基于数据挖掘优化组合模型的热网状态预测
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第6-9页 |
| 绪论 | 第9-16页 |
| 第一章 基于粗糙集理论的数据预处理属性离散化 | 第16-26页 |
| ·数据预处理概述 | 第16-17页 |
| ·粗糙集理论 | 第17-18页 |
| ·粗糙集理论基本概念 | 第17-18页 |
| ·粗糙集理论的应用优势 | 第18页 |
| ·决策表属性离散化 | 第18-21页 |
| ·等距离划分 | 第19页 |
| ·等频率划分 | 第19页 |
| ·Na ve Scaler 划分 | 第19页 |
| ·基于信息熵的离散化 | 第19-20页 |
| ·基于属性重要性的离散化 | 第20-21页 |
| ·基于粗糙集的决策表离散化 | 第21页 |
| ·算法仿真 | 第21-25页 |
| ·算法评价 | 第25页 |
| ·本章小结 | 第25-26页 |
| 第二章 基于决策树归纳的分类预测 | 第26-38页 |
| ·决策树归纳 | 第26-27页 |
| ·决策树分类归纳算法 | 第27-31页 |
| ·ID3 决策树算法 | 第27-29页 |
| ·C4.5 分枝准则 | 第29-30页 |
| ·CART 回归树算法 | 第30-31页 |
| ·决策树剪枝模型 | 第31-34页 |
| ·预修剪技术 | 第32-33页 |
| ·后剪枝技术 | 第33-34页 |
| ·基于规则的分类 | 第34-35页 |
| ·IF-THEN 规则分类 | 第34页 |
| ·决策树萃取规则 | 第34-35页 |
| ·算法仿真 | 第35-37页 |
| ·算法评价 | 第37页 |
| ·本章小结 | 第37-38页 |
| 第三章 基于 K 均值划分的聚类分析 | 第38-49页 |
| ·聚类分析概述 | 第38-39页 |
| ·聚类分析中的数据类型 | 第39-41页 |
| ·区间标度变量 | 第39-40页 |
| ·相似系数 | 第40-41页 |
| ·聚类分析的分类类型 | 第41-42页 |
| ·基于 K 均值的聚类分析算法 | 第42页 |
| ·优化 K 均值质心的划分算法 | 第42-45页 |
| ·N2-K-means | 第42-43页 |
| ·F2-K-means | 第43页 |
| ·SA-K-means | 第43-45页 |
| ·仿真实验 | 第45-48页 |
| ·算法实现 | 第45-47页 |
| ·算法对比 | 第47-48页 |
| ·算法评价 | 第48页 |
| ·本章小结 | 第48-49页 |
| 第四章 基于频繁项集模式的关联规则挖掘 | 第49-56页 |
| ·频繁模式引入 | 第49页 |
| ·关联规则挖掘 | 第49-51页 |
| ·频繁项集、闭项集和关联规则 | 第49-50页 |
| ·关联规则挖掘分类 | 第50-51页 |
| ·有效可伸缩的频繁项集挖掘算法 | 第51-53页 |
| ·Apriori 关联规则算法 | 第51-52页 |
| ·由频繁项集产生关联规则 | 第52页 |
| ·分区 Apriori 关联算法 | 第52-53页 |
| ·关联规则算法仿真及比较 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 挖掘组合模型的热网预测系统 | 第56-69页 |
| ·挖掘预测组合模型原理 | 第56-59页 |
| ·预测组合模型概述 | 第56页 |
| ·单项模型的选取原则及其步骤 | 第56-57页 |
| ·组合预测模型权重确定 | 第57-59页 |
| ·基于挖掘优化算法的预测组合模型 | 第59-63页 |
| ·预测模型组建 | 第59-60页 |
| ·基于预测模型的实验仿真 | 第60-63页 |
| ·基于挖掘组合的热网状态预测系统 | 第63-68页 |
| ·本章小结 | 第68-69页 |
| 结论 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 发表文章目录 | 第74-75页 |
| 致谢 | 第75-76页 |
| 详细摘要 | 第76-83页 |
