| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 课题研究的背景和意义 | 第12-13页 |
| 1.2 国内外研究状况 | 第13-16页 |
| 1.2.1 粗糙集理论的发展 | 第13-14页 |
| 1.2.2 相关国内外的研究现状 | 第14-16页 |
| 1.3 论文主要研究内容及结构 | 第16-17页 |
| 第2章 相关理论基础 | 第17-31页 |
| 2.1 粗糙集基本理论概述 | 第17-24页 |
| 2.1.1 信息系统和决策系统 | 第17-18页 |
| 2.1.2 等价关系 | 第18-19页 |
| 2.1.3 近似集 | 第19-21页 |
| 2.1.4 依赖度、重要度 | 第21-22页 |
| 2.1.5 知识约简 | 第22-24页 |
| 2.2 邻域粗糙集 | 第24-28页 |
| 2.2.1 邻域的概念 | 第24页 |
| 2.2.2 邻域决策系统 | 第24-26页 |
| 2.2.3 邻域粗糙集的属性约简 | 第26-27页 |
| 2.2.4 可辨识矩阵 | 第27-28页 |
| 2.3 神经网络 | 第28-30页 |
| 2.3.1 神经网络概述 | 第28-29页 |
| 2.3.2 NARX神经网络 | 第29页 |
| 2.3.3 神经网络与粗糙集属性约简结合的必要性 | 第29-30页 |
| 2.4 小结 | 第30-31页 |
| 第3章 邻域粗糙集上的增量式属性约简算法 | 第31-46页 |
| 3.1 针对邻域粗糙集的增量式属性约简算法的分析 | 第31-34页 |
| 3.1.1 基于邻域粗糙集的快速属性约简算法 | 第31-32页 |
| 3.1.2 基于邻域粗糙集的增量式属性约简算法存在的问题 | 第32-34页 |
| 3.2 邻域可辨识矩阵的更新算法 | 第34-35页 |
| 3.3 基于可辨识矩阵元素集的增量式更新算法 | 第35-39页 |
| 3.3.1 算法理论 | 第35-38页 |
| 3.3.2 算法描述 | 第38页 |
| 3.3.3 算法时间复杂度分析 | 第38-39页 |
| 3.4 实例及实验分析 | 第39-45页 |
| 3.4.1 实例分析 | 第39-40页 |
| 3.4.2 邻域半径的设定 | 第40-41页 |
| 3.4.3 实验分析 | 第41-45页 |
| 3.5 小结 | 第45-46页 |
| 第4章 基于可辨识矩阵元素集的属性约简算法在股票预测中的应用 | 第46-53页 |
| 4.1 股票预测模型建立 | 第46-47页 |
| 4.1.1 原始技术指标 | 第46-47页 |
| 4.1.2 预测模型 | 第47页 |
| 4.2 仿真实验 | 第47-52页 |
| 4.2.1 属性约简 | 第48-50页 |
| 4.2.2 实验结果 | 第50-52页 |
| 4.3 小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 附录A 攻读学位期间所参与的项目目录 | 第59-60页 |
| 附录B 攻读学位期间所发表的学术论文目录 | 第60-61页 |
| 致谢 | 第61页 |