| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 主要符号对照表 | 第14-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 本文研究背景和意义 | 第15-16页 |
| 1.2 粒计算理论国内外的研究现状 | 第16-18页 |
| 1.3 本文研究内容和方法 | 第18-19页 |
| 1.4 本文的结构安排 | 第19-21页 |
| 第二章 粒计算理论基础 | 第21-31页 |
| 2.1 粒计算基本思想 | 第21-22页 |
| 2.2 粒计算基本概念和基本问题 | 第22-25页 |
| 2.3 粒计算模型 | 第25-29页 |
| 2.3.1 基于词计算理论的粒计算模型 | 第25-26页 |
| 2.3.2 基于粗糙集理论的粒计算模型 | 第26页 |
| 2.3.3 基于商空间理论的粒计算模型 | 第26-27页 |
| 2.3.4 三种理论之间的关系 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 在粒计算中关于粗糙集理论的属性约简 | 第31-43页 |
| 3.1 粗糙集理论中的相关定义 | 第31-38页 |
| 3.1.1 信息系统和决策信息系统 | 第31-32页 |
| 3.1.2 不可分辨关系 | 第32-34页 |
| 3.1.3 粗糙集的定义 | 第34-35页 |
| 3.1.4 属性约简 | 第35-38页 |
| 3.2 基于新的模糊粗糙集模型的属性约简 | 第38-41页 |
| 3.2.1 模糊粗糙集模型 | 第38-40页 |
| 3.2.2 模糊的、动态增加的属性约简算法 | 第40-41页 |
| 3.3 实验结果与分析 | 第41-42页 |
| 3.3.1 数据描述 | 第41-42页 |
| 3.3.2 模糊的动态增加属性约简算法实验结果 | 第42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 粗糙集理论和粒计算模型在案例推理中的应用 | 第43-59页 |
| 4.1 案例推理的知识理论研究 | 第44-50页 |
| 4.1.1 案例推理的基本原理和流程 | 第44-46页 |
| 4.1.2 基于粒计算的案例表示 | 第46页 |
| 4.1.3 案例检索 | 第46-49页 |
| 4.1.4 案例修正 | 第49页 |
| 4.1.5 案例学习 | 第49-50页 |
| 4.2 案例粒的形成 | 第50-55页 |
| 4.2.1 k-means算法 | 第50-52页 |
| 4.2.2 k-means++算法 | 第52页 |
| 4.2.3 动态增加的k-means++算法 | 第52-55页 |
| 4.3 案例在案例库中的检索 | 第55-56页 |
| 4.4 实验及结果分析 | 第56-57页 |
| 4.4.1 案例粒形成的实验与结果分析 | 第56页 |
| 4.4.2 案例在案例库中的检索实验与结果分析 | 第56-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第五章 直觉模糊相容关系形成的商空间理论 | 第59-75页 |
| 5.1 商空间和模糊商空间理论的基本性质以及直觉模糊相容关系的定义 | 第59-65页 |
| 5.1.1 商空间理论 | 第59-60页 |
| 5.1.2 模糊商空间理论 | 第60-63页 |
| 5.1.3 直觉模糊集基本理论 | 第63-65页 |
| 5.2 形成商空间分层递阶结构的主要定理 | 第65-70页 |
| 5.3 由矩阵得到商空间分层递阶结构的算法 | 第70-72页 |
| 5.4 实例 | 第72-73页 |
| 5.5 本章小结 | 第73-75页 |
| 第六章 基于粒计算和商空间理论的超图模型 | 第75-87页 |
| 6.1 超图 | 第75-76页 |
| 6.2 超图中的粒和粒结构 | 第76-80页 |
| 6.2.1 超图中的粒 | 第76-79页 |
| 6.2.2 超图中的粒结构 | 第79-80页 |
| 6.3 基于商空间理论的加权超图 | 第80-85页 |
| 6.3.1 加权超图中的相关定义和定理 | 第81-82页 |
| 6.3.2 最优路径算法 | 第82-83页 |
| 6.3.3 实例 | 第83-85页 |
| 6.4 本章小结 | 第85-87页 |
| 第七章 总结与展望 | 第87-91页 |
| 7.1 本文工作总结 | 第87-88页 |
| 7.2 今后工作展望 | 第88-91页 |
| 参考文献 | 第91-99页 |
| 致谢 | 第99-101页 |
| 在读期间发表的学术论文与取得的研究成果 | 第101-102页 |