| 第一章 绪论 | 第12-33页 |
| 1．1 知识发现的研究背景、定义和一般处理过程 | 第12-17页 |
| 1．1．1 知识发现的研究背景和意义 | 第12-13页 |
| 1．1．2 知识发现的定义 | 第13-14页 |
| 1．1．3 知识发现的学科交叉特性及其一般处理过程 | 第14-16页 |
| 1．1．4 知识发现与数据挖掘 | 第16-17页 |
| 1．2 知识发现的基本模型 | 第17-20页 |
| 1．3 知识发现方法的研究现状及面临的挑战 | 第20-27页 |
| 1．3．1 知识发现的研究概述 | 第20-22页 |
| 1．3．2 知识发现方法的研究概述 | 第22-25页 |
| 1．3．3 面临的一些挑战 | 第25-27页 |
| 1．4 本文的研究内容、相关工作及意义 | 第27-31页 |
| 1．4．1 知识发现机理研究 | 第27页 |
| 1．4．2 个性化知识发现 | 第27-29页 |
| 1．4．3 一种新的计算方法——粒度进化计算 | 第29-30页 |
| 1．4．4 KDD算法的局部收敛问题及其解决方法的研究 | 第30-31页 |
| 1．5 本文的组织结构 | 第31-33页 |
| 第二章 基于粒度计算的KDD理研究 | 第33-57页 |
| 2．1 相关工作 | 第33-34页 |
| 2．2 基于分类模型的知识空间及其结构特性 | 第34-42页 |
| 2．2．1 信息系统 | 第34-35页 |
| 2．2．2 信息系统的全粒度空间与超粒度空间 | 第35-36页 |
| 2．2．3 超粒度空间上的代数系统 | 第36-38页 |
| 2．2．4 全粒度空间的超树结构模型及其性质 | 第38-42页 |
| 2．3 KDD的粒度计算模型 | 第42-45页 |
| 2．4 基本概念空间 | 第45-46页 |
| 2．5 正基语言系统、全粒度空间和基本概念空间的关系 | 第46-48页 |
| 2．6 基于粒度计算的知识形成机理 | 第48-53页 |
| 2．6．1 集合的粒度表示及概念学习 | 第48-51页 |
| 2．6．2 基于分类模型的知识发现 | 第51-53页 |
| 2．7 分类模型中知识发现的若干问题 | 第53-55页 |
| 2．8 本章小结 | 第55-57页 |
| 第三章 基于RS理论的个性化属性约简 | 第57-78页 |
| 3．1 基于RS理论的个性化知识发现及属性约简方法的研究概述 | 第58-62页 |
| 3．2 RS理论的基本概念 | 第62-66页 |
| 3．2．1 信息系统 | 第62-64页 |
| 3．2．2 决策系统 | 第64-66页 |
| 3．3 最佳约简的评价准则 | 第66-68页 |
| 3．4 个性化属性约简的有关理论 | 第68-71页 |
| 3．5 个性化约简算法——DA-FPR算法及其收敛性分析 | 第71-73页 |
| 3．6 算法性能及实验分析 | 第73-77页 |
| 3．7 本章小结 | 第77-78页 |
| 第四章 基于分类模型的个性化知识发现 | 第78-96页 |
| 4．1 引言 | 第78-79页 |
| 4．2 决策规则与决策算法 | 第79-80页 |
| 4．3 决策算法的相容性和完备性 | 第80页 |
| 4．4 个性化决策规则的提取 | 第80-90页 |
| 4．4．1 个性化决策规则约简 | 第83-87页 |
| 4．4．2 决策算法的极小化 | 第87-90页 |
| 4．5 个性化知识发现的一般求解过程 | 第90-91页 |
| 4．6 实验结果与分析 | 第91-95页 |
| 4．7 本章小结 | 第95-96页 |
| 第五章 基于Agent技术的粒度进化计算研究 | 第96-116页 |
| 5．1 进化计算的诞生、发展与人类进化的思考 | 第96-105页 |
| 5．1．1 进化计算的诞生和发展 | 第96-99页 |
| 5．1．2 人类的进化——文化进化 | 第99-101页 |
| 5．1．3 文化进化的机制及其特征 | 第101-103页 |
| 5．1．4 群进化和超群进化 | 第103-105页 |
| 5．2 基于MAS技术的粒度进化计算 | 第105-111页 |
| 5．2．1 Multi-Agent系统及其研究现状 | 第105-108页 |
| 5．2．2 基于Multi-Agent技术的粒度进化计算模型 | 第108-111页 |
| 5．3 粒度进化的一种运行机制：基于多级GAgent系统的进化方法 | 第111-114页 |
| 5．4 粒度进化计算及其与粒度计算的关系 | 第114页 |
| 5．5 本章小结 | 第114-116页 |
| 第六章 分类模型中基于(粒度)进化计算的知识发现研究 | 第116-144页 |
| 6．1 基于进化计算的知识发现算法的研究进展 | 第116-119页 |
| 6．2 分类和决策树 | 第119-121页 |
| 6．3 基于遗传算法的数据分类方法 | 第121-126页 |
| 6．3．1 完全分类规则集 | 第121页 |
| 6．3．2 遗传算法的设计 | 第121-124页 |
| 6．3．3 实验与讨论 | 第124-126页 |
| 6．4 GAgent的进化——群进化及其算法设计 | 第126-131页 |
| 6．4．1 基于Michigan方法的遗传编码 | 第127-128页 |
| 6．4．2 GAgent目标和群体的设定 | 第128页 |
| 6．4．3 适应度函的设计(个体评价算法) | 第128-129页 |
| 6．4．4 群进化算子及其算法 | 第129-131页 |
| 6．5 多GAgent的进化——超群进化及其算法设计 | 第131-135页 |
| 6．5．1 目标进化算法及超群进化算子 | 第131-134页 |
| 6．5．2 知识库KD的基本内容 | 第134-135页 |
| 6．5．3 超群进化算法 | 第135页 |
| 6．6 面向分类问题的粒度进化算法 | 第135-139页 |
| 6．7 实验分析 | 第139-142页 |
| 6．8 本章小结 | 第142-144页 |
| 第七章 结论与展望 | 第144-147页 |
| 7．1 主要工作和创新 | 第144-145页 |
| 7．2 进一步的工作 | 第145-147页 |
| 参考文献 | 第147-159页 |
| 附录：一个原型系统的设计 | 第159-169页 |
| 致谢 | 第169-170页 |
| 攻读博士学位期间主要的研究成果、著作和奖励 | 第170-171页 |
