基于知识粗糙度和拓展属性约简的若干智能挖掘算法的研究
| 第一章 引言 | 第1-13页 |
| ·粗糙集理论基础 | 第7-8页 |
| ·知识表示系统和决策系统 | 第7页 |
| ·粗糙集的几个概念 | 第7-8页 |
| ·基于粗糙集的知识发现 | 第8-11页 |
| ·知识发现与数据挖掘概述 | 第8-9页 |
| ·基于粗糙集的知识发现过程 | 第9-11页 |
| ·基于粗糙集的知识发现的过程 | 第9页 |
| ·经典的粗糙集方法存在的问题 | 第9-10页 |
| ·推广的粗糙集理论 | 第10-11页 |
| ·本文的主要工作和创新点 | 第11-12页 |
| ·本文的主要工作 | 第11页 |
| ·本文的创新点 | 第11-12页 |
| ·本文的组织 | 第12-13页 |
| 第二章 属性约简 | 第13-19页 |
| ·属性约简的基本概念 | 第13页 |
| ·不一致信息系统的属性约简 | 第13-19页 |
| ·分布约简 | 第14页 |
| ·最大分布约简 | 第14页 |
| ·熵意义下的约简 | 第14-19页 |
| ·知识的概率分布 | 第15页 |
| ·知识的熵与条件熵 | 第15页 |
| ·熵意义下的约简 | 第15-19页 |
| 第三章 基于知识粗糙度的多变量决策树 | 第19-24页 |
| ·信息熵与决策树 | 第19页 |
| ·多变量决策树 | 第19-20页 |
| ·基于知识粗糙度的多变量决策树的构建 | 第20-24页 |
| ·知识的粗糙度 | 第20页 |
| ·算法流程 | 第20-21页 |
| ·实验结果 | 第21-23页 |
| ·算例执行过程 | 第21-22页 |
| ·两种方法得到决策树比较 | 第22-23页 |
| ·结论 | 第23-24页 |
| 第四章 概率粗糙集方法 | 第24-30页 |
| ·概述 | 第24页 |
| ·信息表的不完备性和规则的不确定性 | 第24-26页 |
| ·规则的完备性 | 第25页 |
| ·规则的准确性 | 第25页 |
| ·规则的偶然性 | 第25-26页 |
| ·卡方分布及变量间的相关度 | 第26-27页 |
| ·基于卡方分布的属性分类能力的度量 | 第27-30页 |
| ·知识的概率分布表 | 第27-28页 |
| ·变量的相关性强度 | 第28-30页 |
| 第五章 基于粗糙集的增量学习算法 | 第30-43页 |
| ·增量学习算法概述 | 第30-32页 |
| ·规则生成算法 | 第31页 |
| ·求近似最小规则集的算法逻辑描述 | 第31-32页 |
| ·基于最大分布可辨识矩阵的增量学习算法 | 第32-39页 |
| ·最大分布可辨识矩阵 | 第32-33页 |
| ·二进制最大分布可辨识矩阵 | 第33-34页 |
| ·最大分布约简的核 | 第34-35页 |
| ·新增数据类型的判定 | 第35-36页 |
| ·增量学习算法的流程 | 第36-37页 |
| ·规则的更新策略 | 第37-39页 |
| ·实验结果及其分析 | 第39-42页 |
| ·源数据的介绍和预处理 | 第39-40页 |
| ·提取出的规则和动态的检验 | 第40-42页 |
| ·算法的复杂性分析 | 第42页 |
| ·总结 | 第42-43页 |
| 第六章 总结与展望 | 第43-44页 |
| 参考文献 | 第44-46页 |
| 致谢 | 第46-47页 |
| 个人简历、在学期间发表的学术论文 | 第47页 |
