粗集理论约简及其应用的研究
| 第一章 绪论 | 第1-19页 |
| ·数据挖掘和粗集 | 第13页 |
| ·粗集的基本思想 | 第13-14页 |
| ·粗集理论研究的历史 | 第14-15页 |
| ·粗集主要研究内容和应用 | 第15-18页 |
| ·粗集主要研究内容 | 第15-16页 |
| ·粗集主要研究方向 | 第16-17页 |
| ·粗集模型的推广 | 第16页 |
| ·不确定性问题的理论研究 | 第16-17页 |
| ·与其它方法比较的研究 | 第17页 |
| ·算法研究 | 第17页 |
| ·粗集应用 | 第17-18页 |
| ·本文结构 | 第18-19页 |
| 第二章 粗集理论基础 | 第19-28页 |
| ·集合、划分、分类和区分 | 第19-20页 |
| ·粗集的基本概念和定义 | 第20-27页 |
| ·信息系统 | 第20-21页 |
| ·粗集相关定义 | 第21-23页 |
| ·分类质量 | 第23页 |
| ·不一致系统的判断 | 第23-24页 |
| ·基于粗集的知识约简 | 第24-26页 |
| ·相对约简和相对核 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 信息系统属性的约简 | 第28-43页 |
| ·基于区分表的属性约简方法 | 第28-36页 |
| ·可区分函数 | 第28-29页 |
| ·约简算法 | 第29-33页 |
| ·应用举例 | 第33-36页 |
| ·不完备信息系统的属性约简方法 | 第36-42页 |
| ·数据分析法进行数据约简 | 第36-37页 |
| ·基于散列和逻辑化简进行约简的方法 | 第37-40页 |
| ·应用举例 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 规则获取与学习 | 第43-60页 |
| ·规则树(决策树)获取 | 第43-49页 |
| ·决策树的概念 | 第43页 |
| ·单变量决策树的生成 | 第43-47页 |
| ·基于信息增益的方法 | 第44-46页 |
| ·基于属性重要性的方法 | 第46-47页 |
| ·多变量决策树的生成 | 第47-49页 |
| ·IF-THEN规则的获取 | 第49-53页 |
| ·基于多类问题的递增式归纳学习 | 第53-59页 |
| ·正例类和负例类 | 第53-55页 |
| ·决策函数和决策规则 | 第55-56页 |
| ·递增式学习算法 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 应用实例 | 第60-72页 |
| ·基于粗集下的定性微分方程的求解 | 第60-65页 |
| ·定性推理技术 | 第60-61页 |
| ·虎克定理的定性描述及粗集求解 | 第61-65页 |
| ·Rosetta实验系统在机器学习中的应用 | 第65-71页 |
| ·数据预处理 | 第65-66页 |
| ·Rosetta软件简介 | 第66页 |
| ·机器学习的原理 | 第66-67页 |
| ·Rosetta在地质样品分类的应用 | 第67-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 结束语 | 第72-74页 |
| ·论文工作总结 | 第72-73页 |
| ·不足之处和今后研究设想 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 附录A 一个医疗数据的粗集处理过程 | 第77-82页 |
| 附录B 医疗样本实验数据 | 第82-84页 |
| 附录C 算法源代码 | 第84-104页 |
| C1 分类和ID3算法中信息增益 | 第84-90页 |
| C2 粗集下相对正域(POSc(D))求解 | 第90-93页 |
| C3 求解决策系统的信息核(COREd(C)) | 第93-95页 |
| C4 粗集下决策系统的规则提取 | 第95-104页 |
| 公开发表的论文 | 第104页 |
