| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-17页 |
| ·数据挖掘技术及其发展 | 第11-12页 |
| ·数据挖掘的定义 | 第11-12页 |
| ·数据挖掘发展现状 | 第12页 |
| ·神经网络算法在数据挖掘中的应用 | 第12-14页 |
| ·神经网络 | 第12-13页 |
| ·基于神经网络数据挖掘技术的特点 | 第13-14页 |
| ·粗糙集算法在数据挖掘中的应用 | 第14页 |
| ·粗糙集理论 | 第14页 |
| ·粗糙集算法与数据挖掘技术 | 第14页 |
| ·问题提出 | 第14-16页 |
| ·本课题研究的内容 | 第16-17页 |
| 第2章 数据挖掘的基本理论及相关技术 | 第17-25页 |
| ·数据挖掘技术概述 | 第17-21页 |
| ·什么是数据挖掘 | 第17-18页 |
| ·数据挖掘与传统分析方法的区别 | 第18页 |
| ·几个相关概念 | 第18-21页 |
| ·数据挖掘的任务 | 第21-24页 |
| ·关联规则挖掘 | 第21-22页 |
| ·分类与预测 | 第22-23页 |
| ·概念描述 | 第23页 |
| ·聚集 | 第23-24页 |
| ·孤立点分析 | 第24页 |
| ·本章小结 | 第24-25页 |
| 第3章 粗糙集在数据预处理中应用 | 第25-38页 |
| ·粗糙集基本理论 | 第25-30页 |
| ·信息系统 | 第25页 |
| ·不可分辨关系 | 第25-26页 |
| ·近似空间 | 第26-27页 |
| ·决策表 | 第27-28页 |
| ·属性约简和核 | 第28页 |
| ·可信因子 | 第28-29页 |
| ·支持度 | 第29页 |
| ·隶属函数 | 第29-30页 |
| ·粗糙集理论在数据预处理中的应用 | 第30页 |
| ·在数据清洗阶段 | 第30页 |
| ·在数据约简阶段 | 第30页 |
| ·连续属性离散化 | 第30-34页 |
| ·离散的概念 | 第31-32页 |
| ·离散的主要技术 | 第32页 |
| ·FCM 聚类算法 | 第32-34页 |
| ·属性约简 | 第34-37页 |
| ·属性约简的分类 | 第34-35页 |
| ·NP 问题 | 第35页 |
| ·差别矩阵(Discernibility Matrix) | 第35-36页 |
| ·基于差别矩阵的约简算法 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 采用神经网络的数据挖掘过程 | 第38-51页 |
| ·人工神经网络的基础理论 | 第38-41页 |
| ·误差反向传播神经网络 | 第41-44页 |
| ·BP 网络概述 | 第41页 |
| ·基本BP 模型 | 第41-42页 |
| ·标准BP 模型的学习过程 | 第42-44页 |
| ·基于神经网络的分类决策树构造 | 第44-49页 |
| ·分类决策树的构造算法 | 第45-48页 |
| ·关系强化约束与建模 | 第48-49页 |
| ·基于神经网络的分类与预测 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 数据挖掘系统的实现 | 第51-69页 |
| ·系统设计与实现 | 第51-55页 |
| ·在数据挖掘系统中数据离散过程 | 第52页 |
| ·数据挖掘系统中的属性约简 | 第52-55页 |
| ·粗糙集神经网络算法的应用 | 第55-63页 |
| ·BP 神经网络的设计 | 第55-56页 |
| ·采用粗糙集的神经网络结构设计 | 第56-59页 |
| ·粗糙集神经网络结合算法的实现 | 第59-62页 |
| ·粗糙集神经网络训练结果优化图 | 第62-63页 |
| ·数据挖掘系统的可视化表示 | 第63-68页 |
| ·数据可视化的定义 | 第63页 |
| ·回归分析方法 | 第63-65页 |
| ·用户角度的体系结构 | 第65-66页 |
| ·图表显示设置 | 第66-68页 |
| ·本章小结 | 第68-69页 |
| 结论 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读硕士学位期间发表的学术论文 | 第73-74页 |
| 致谢 | 第74页 |