| 1.基于粗糙集理论的关联知识发现 | 第1-37页 |
| 目录 | 第5-6页 |
| 摘要 | 第6-7页 |
| 第一章 粗糙集和知识表达度量理论的基本概念和原理 | 第7-14页 |
| ·引言 | 第7-9页 |
| ·粗糙集的应用领域 | 第7-8页 |
| ·分类规则提取 | 第7-8页 |
| ·数据归约 | 第8页 |
| ·粗糙集理论与其他方法的融合 | 第8-9页 |
| ·知识与知识表达 | 第9页 |
| ·基本定义和原理 | 第9-10页 |
| ·支持度 | 第10-11页 |
| ·知识表达度量理论基本概念 | 第11-14页 |
| 第二章 数据预处理——连续属性离散化 | 第14-19页 |
| ·连续属性离散化后的联合熵变化 | 第14-15页 |
| ·基本算法 | 第15-17页 |
| ·增类减类离散化算法的改进 | 第17-19页 |
| 第三章 知识约简 | 第19-23页 |
| ·知识约简基本概念 | 第19-20页 |
| ·属性重要性 | 第20页 |
| ·知识约简原理 | 第20-23页 |
| 第四章 关联知识发现 | 第23-27页 |
| ·有效关联规则理论 | 第23-24页 |
| ·规则统计过滤 | 第24-26页 |
| ·关联规则挖掘算法 | 第26-27页 |
| 第五章 试验分析 | 第27-30页 |
| ·试验步骤 | 第27页 |
| ·试验采用的数据 | 第27-28页 |
| ·试验结果 | 第28页 |
| ·试验结果分析 | 第28-30页 |
| 第六章 总结和展望 | 第30-31页 |
| ·论文总结 | 第30页 |
| ·粗糙集理论在数据挖掘中的应用展望 | 第30-31页 |
| 参考文献： | 第31-37页 |
| 2.Association Knowledge Mining Based on Rough Sets | 第37-71页 |
| Abstract | 第38-40页 |
| Chapter 1 Basic Concept and Principle of Rough Set | 第40-49页 |
| ·Introduction | 第40-43页 |
| ·Application Field of Rough Set | 第40-42页 |
| ·Pick-up Sorting Rules | 第40-41页 |
| ·Data Reduction | 第41-42页 |
| ·Fusing the Rough Set Theory and other method | 第42-43页 |
| ·The Classification of Application of the Rough Set Theory | 第43页 |
| ·Knowledge and Knowledge Expression | 第43-44页 |
| ·Basic Definition and Principle | 第44页 |
| ·Info Entropy,Sustainability | 第44-46页 |
| ·Basic Concept of Knowledge Expression Measurement Theory | 第46-49页 |
| Chapter 2 Data Pretreatment—Dispersing of Successive Attribute | 第49-56页 |
| ·The Change of the United Entropy by Dispersing Successive Attribute | 第50-51页 |
| ·Basic Algorithm | 第51-53页 |
| ·Improvement on Dispersing Algorithm by Increasing and Reducing Classes | 第53-56页 |
| Chapter 3 Knowledge Reduction | 第56-61页 |
| ·Basic Concept of Knowledge Reduction | 第56-57页 |
| ·Essentiality of Attribute | 第57-58页 |
| ·Principle of Knowledge Reduction | 第58-61页 |
| Chapter 4 Association Knowledge Discovery | 第61-66页 |
| ·Efficient Association Rule Theory | 第61-62页 |
| ·Rule Filtrating by Stat.--Pick-up Association Rules Based on Binary System | 第62-65页 |
| ·Association Rule Algorithm | 第65-66页 |
| Chapter 5 Trial Analysis | 第66-69页 |
| ·Trial Approach | 第66页 |
| ·Trial Data | 第66-67页 |
| ·Trial Result | 第67-68页 |
| ·Analysis of Trial Result | 第68-69页 |
| Chapter 6 | 第69-71页 |
| ·Paper Summary | 第69页 |
| ·Prospect of the Rough Set Theory's Application in Data Mining | 第69-71页 |
| 3.面向信息系统的关联规则挖掘研究 | 第71-125页 |
| 目录 | 第71-73页 |
| 前言 | 第73-74页 |
| 第一部分 数据库中的知识发现和数据挖掘概述 | 第74-92页 |
| 第一章 在数据库的知识发现(KDD) | 第74-82页 |
| ·KDD基本概念 | 第74-75页 |
| ·KDD的起源 | 第75-76页 |
| ·KDD研究现状 | 第76页 |
| ·KDD的一般机理 | 第76页 |
| ·主要研究方法 | 第76-77页 |
| ·抽取知识的类型和表示 | 第77页 |
| ·KDD系统的基本框架 | 第77-78页 |
| ·KDD的挖掘模式 | 第78-80页 |
| ·关联模式(Association Model) | 第79页 |
| ·分类模式(Classification Model) | 第79页 |
| ·聚类模式(Clustering Model) | 第79页 |
| ·回归模式(Regression Model) | 第79-80页 |
| ·序列模式(Sequence Modell) | 第80页 |
| ·典型方法及工具 | 第80-82页 |
| 第二章 数据挖掘概述 | 第82-92页 |
| ·DM概念 | 第82-83页 |
| ·主要研究方法 | 第83-89页 |
| ·分类模式(Classification Model) | 第83-85页 |
| ·聚类分析模式(Clustering Analysis Method) | 第85-88页 |
| ·回归模式(Regression) | 第88页 |
| ·关联模式(Association Model) | 第88页 |
| ·序列模式(Sequential Model) | 第88页 |
| ·偏差模式(Deviation Model) | 第88-89页 |
| ·数据挖掘的常用方法 | 第89-92页 |
| ·模糊方法(Fuzzy Method) | 第89页 |
| ·粗糙集理论(Rough Set Theory) | 第89页 |
| ·云理论(Cloud Theory) | 第89-90页 |
| ·证据理论(Evidence Theory) | 第90页 |
| ·人工神经网络(Artificial Neural Network,ANN) | 第90页 |
| ·遗传算法(Genetic Algorithm,GA) | 第90-91页 |
| ·归纳学习(Induction Learning) | 第91-92页 |
| 第二部分 粗糙集理论 | 第92-105页 |
| 第三章 粗糙集基本理论 | 第93-102页 |
| ·基本概念 | 第93-94页 |
| ·区分矩阵与区分函数 | 第94页 |
| ·连续属性离散化 | 第94-97页 |
| ·现有的离散化方法分类： | 第95页 |
| ·典型的属性离散化算法 | 第95-97页 |
| ·信息熵 | 第97-99页 |
| ·知识的依赖性 | 第99-100页 |
| ·属性约简 | 第100-102页 |
| 第四章 知识表达理论 | 第102-105页 |
| ·Agent与知识的相关概念 | 第102页 |
| ·基于Agent的知识表达度量理论 | 第102-105页 |
| ·知识量(Knowledge Quantum) | 第102-103页 |
| ·熵(Entropy) | 第103页 |
| ·等价知识基元个数 | 第103-105页 |
| 第三部分 关联规则挖掘 | 第105-125页 |
| 第五章 关联规则AR挖掘的原理和步骤 | 第105-108页 |
| ·基本概念和问题描述 | 第105-106页 |
| ·AR选择的技术标准 | 第106-107页 |
| ·AR挖掘的步骤 | 第107-108页 |
| 第六章 AR挖掘的分类及算法研究 | 第108-113页 |
| ·AR挖掘的分类 | 第108页 |
| ·主要研究方向和典型算法分析 | 第108-113页 |
| ·多循环方式的采掘算法 | 第108-109页 |
| ·增量式更新算法 | 第109-110页 |
| ·核心算法 | 第110-111页 |
| ·频集算法的几种优化方法 | 第111-113页 |
| 第七章 有效关联规则挖掘 | 第113-121页 |
| ·语义关联规则 | 第113-115页 |
| ·有效关联规则 | 第115-121页 |
| 第八章 基于粗糙集的关联规则挖掘 | 第121-125页 |
| ·传统关联规则挖掘的不足 | 第121页 |
| ·粗糙集理论应用于关联规则挖掘的优势 | 第121-122页 |
| ·基于粗糙集的关联规则挖掘的一般步骤 | 第122页 |
| ·典型算法 | 第122-125页 |
| 4.Association Rules Mining Research Facing to Info System | 第125-182页 |
| Preface | 第127-128页 |
| Part 1 Knowledge Discovery in Database and Summary of Data Mining | 第128-150页 |
| Chapter 1 Knowledge Discovery in Database(KDD) | 第128-138页 |
| ·Basic Concept of KDD | 第128-129页 |
| ·Origin of KDD | 第129-130页 |
| ·Present Research on KDD | 第130-131页 |
| ·the General Mechanism of KDD | 第131页 |
| ·Major Research Techniques | 第131-132页 |
| ·Type and Expression of Collecting Knowledge | 第132-133页 |
| ·Basic Frame of KDD System | 第133-134页 |
| ·Mode of KDD Mining | 第134-136页 |
| ·Association Model | 第134-135页 |
| ·Classification Model | 第135页 |
| ·Clustering Model | 第135页 |
| ·Regression Model | 第135页 |
| ·Sequence Model | 第135-136页 |
| ·Typical Methods and Tools | 第136-138页 |
| Chapter 2 Summary of Data Mining | 第138-150页 |
| ·DM Concept | 第138-139页 |
| ·Main Research Approaches | 第139-146页 |
| ·Classification Model | 第139-142页 |
| ·Clustering Analysis Method | 第142-145页 |
| (1) Partitioning Method | 第143-144页 |
| (2) Hierarchical Method | 第144页 |
| (3) Density-based Method | 第144页 |
| (4) Grid-based Method | 第144页 |
| (5) Model-based Method | 第144-145页 |
| (6) Outlier Mining | 第145页 |
| ·Regression | 第145页 |
| ·Association Model | 第145-146页 |
| ·Sequential Model | 第146页 |
| ·Deviation Model | 第146页 |
| ·Method of DM in Common Use | 第146-150页 |
| ·Fuzzy Method | 第146页 |
| ·Rough Set Theory | 第146-147页 |
| ·Cloud Theory | 第147-148页 |
| ·Evidence Theory | 第148页 |
| ·Artificial Neural Network(ANN) | 第148页 |
| ·Genetic Algorithm(GA) | 第148-149页 |
| ·Induction Learning | 第149-150页 |
| Part 2 Rough Set Theory | 第150-165页 |
| Chapter 3 Basic Theory of RS | 第151-162页 |
| ·Basic Concept | 第151-152页 |
| ·Distingui shment Matrix and Distinguishment Function | 第152-153页 |
| ·Dispersing of Successive Attributes | 第153-155页 |
| ·Classification of Dispersing Method in Exisitence: | 第153页 |
| ·Typical Dispersing Algorithm | 第153-155页 |
| ·Info Entropy | 第155-158页 |
| ·Dependence of Knowledge | 第158-159页 |
| ·Attribute Reduction | 第159-162页 |
| Chapter 4 Knowledge Expression Theory | 第162-165页 |
| ·Correlation Concept of Agent and Knowledge | 第162页 |
| ·Knowledge Expression Measurement Theory Based on Agent | 第162-165页 |
| ·Knowledge Quantum | 第162-163页 |
| ·Entropy | 第163页 |
| ·Number of Basic Element of Equivalence Knowledge | 第163-165页 |
| Part 3 Association Rule | 第165-182页 |
| Chapter 5 Principle and Approach of Assiciation Rules Mining | 第165-168页 |
| ·Basic Concept and Issue Description | 第165-166页 |
| ·Technique Criterion of AR | 第166-167页 |
| ·Approach of AR Mining | 第167-168页 |
| Chapter 6 Classification and Algorithm Rearsh of AR Mining | 第168-173页 |
| ·Classification of AR Mining | 第168-169页 |
| ·Main Research Orientation and Typical Algorithm Analysis | 第169-173页 |
| ·Excavation Algorithm of Many Cycle Mode | 第169-170页 |
| ·Increment Mode Updating Algorithm | 第170页 |
| ·Kernel Algorithm | 第170-171页 |
| ·Several Optimiztion Methods of Frequency Set | 第171-173页 |
| Chapter 7 Effective Association Rule Mining | 第173-180页 |
| ·Semantic Association Rule | 第173-175页 |
| ·Effective Association Rule | 第175-180页 |
| Chapter 8 Association Rules Mining Based on RS | 第180-182页 |
| ·Shortcoming of Traditional Association Rule Mining | 第180页 |
| ·Superiority of RS Applied to Association Rule Mining | 第180-181页 |
| ·Commonly Process of Association Rule Mining Based on RS | 第181页 |
| ·Typical Algorithm | 第181-182页 |
