基于决策树的数据挖掘算法在空气质量评估中的应用
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-13页 |
| ·选题的背景和意义 | 第8-11页 |
| ·研究背景 | 第8页 |
| ·研究意义 | 第8-9页 |
| ·国内外研究现状 | 第9-11页 |
| ·决策树算法的应用前景 | 第11页 |
| ·本文的研究内容及其组织结构 | 第11-13页 |
| ·本文研究内容 | 第11-12页 |
| ·本文组织结构 | 第12-13页 |
| 2 空气质量评估方法 | 第13-26页 |
| ·空气污染指数法 | 第13-15页 |
| ·分指数的计算 | 第13-14页 |
| ·确定空气污染指数 | 第14页 |
| ·空气质量评定 | 第14-15页 |
| ·聚类分析法 | 第15-16页 |
| ·基本原理 | 第15页 |
| ·模糊聚类分析法 | 第15页 |
| ·灰色聚类法 | 第15-16页 |
| ·欧几里德贴近度法 | 第16-20页 |
| ·数学模型 | 第16页 |
| ·评价过程 | 第16页 |
| ·评估实例分析 | 第16-17页 |
| ·评价的标准 | 第17-20页 |
| ·污染物级别特征 | 第17-18页 |
| ·污染物权重确定 | 第18页 |
| ·归一化级别特征值 | 第18-19页 |
| ·归一化监测值 | 第19页 |
| ·贴近度的计算 | 第19页 |
| ·确定评价级别 | 第19-20页 |
| ·结果分析 | 第20页 |
| ·模糊数学法 | 第20-24页 |
| ·模糊数学模型的建立 | 第20-22页 |
| ·权重集的确定 | 第20-21页 |
| ·隶属度向量A的确定 | 第21-22页 |
| ·实例应用分析 | 第22-24页 |
| ·粗糙集法 | 第24-25页 |
| ·粗糙集的基本概念 | 第24页 |
| ·粗糙集评估过程 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3 决策树分类算法研究 | 第26-36页 |
| ·分析方法分类 | 第26页 |
| ·数据挖掘算法 | 第26-27页 |
| ·常见的分类方法 | 第27-28页 |
| ·贝叶斯方法 | 第27页 |
| ·神经网络方法 | 第27页 |
| ·决策树方法 | 第27-28页 |
| ·决策树生成基本算法 | 第28-35页 |
| ·决策树描述 | 第28-29页 |
| ·常见的决策树方法 | 第29-33页 |
| ·ID3算法 | 第29-32页 |
| ·C4.5算法 | 第32-33页 |
| ·决策树问题分析 | 第33-35页 |
| ·最优化问题 | 第33页 |
| ·连续值的处理 | 第33-34页 |
| ·属性值空值处理 | 第34页 |
| ·过度拟合数据 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 4 基于决策树处理的方案设计 | 第36-45页 |
| ·基于决策树处理方案设计 | 第36页 |
| ·数据采集 | 第36-38页 |
| ·特征属性提取 | 第38-40页 |
| ·算法改进 | 第40-44页 |
| ·属性相似度 | 第40-41页 |
| ·信息熵 | 第41-42页 |
| ·一般的决策树生成规则 | 第42页 |
| ·改进的决策树算法 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 5 实验过程与结论分析 | 第45-54页 |
| ·算法验证 | 第45页 |
| ·算法实验流程 | 第45-51页 |
| ·利用ROSETTA软件实验 | 第46-47页 |
| ·ID3算法仿真 | 第47-50页 |
| ·改进算法仿真 | 第50-51页 |
| ·实验结果 | 第51-52页 |
| ·实验分析 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| ·论文总结 | 第54-55页 |
| ·展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读学位期间的研究成果 | 第61页 |
