| 摘要 | 第1-11页 |
| ABSTRACT | 第11-13页 |
| 第一章 绪论 | 第13-24页 |
| 1．1 引言 | 第13页 |
| 1．2 数据挖掘的定义 | 第13-14页 |
| 1．3 数据挖掘的分类与任务 | 第14-16页 |
| 1．4 数据挖掘的方法 | 第16-20页 |
| 1．5 数据挖掘面临的问题 | 第20-21页 |
| 1．6 本文的研究内容 | 第21-24页 |
| 第二章 基于正则化神经网络-遗传算法的属性筛选 | 第24-40页 |
| 2．1 引言 | 第24-25页 |
| 2．2 属性筛选的标准 | 第25-26页 |
| 2．3 基于神经网络的属性筛选 | 第26-31页 |
| 2．3．1 神经网络的剪枝 | 第26-29页 |
| 2．3．2 基于神经网络的属性筛选 | 第29-31页 |
| 2．4 贝叶斯正则化与网络训练 | 第31-34页 |
| 2．4．1 贝叶斯定理 | 第31-32页 |
| 2．4．2 确定正则化系数的贝叶斯方法 | 第32-34页 |
| 2．4．3 贝叶斯正则化网络的训练 | 第34页 |
| 2．5 基于正则化网络-遗传算法的属性筛选 | 第34-36页 |
| 2．5．1 网络剪枝和属性筛选 | 第34-35页 |
| 2．5．2 用于剪枝的遗传算法 | 第35-36页 |
| 2．6 留兰香模式的属性筛选 | 第36-38页 |
| 2．6．1 网络训练和参数设定 | 第36-37页 |
| 2．6．2 属性筛选的结果 | 第37页 |
| 2．6．3 选出属性建立分类模型 | 第37-38页 |
| 2．7 小结 | 第38-40页 |
| 第三章 粗糙集理论与方法 | 第40-55页 |
| 3．1 引言 | 第40页 |
| 3．2 粗糙集理论的基本概念与方法 | 第40-48页 |
| 3．2．1 信息系统和决策表 | 第41页 |
| 3．2．2 不可分辩关系 | 第41-42页 |
| 3．2．3 上下近似集与粗糙集 | 第42-43页 |
| 3．2．4 粗糙成员函数 | 第43-44页 |
| 3．2．5 属性约简与核 | 第44-45页 |
| 3．2．6 属性的依赖性 | 第45-46页 |
| 3．2．7 属性的重要性 | 第46页 |
| 3．2．8 分辩矩阵 | 第46-47页 |
| 3．2．9 决策规则 | 第47-48页 |
| 3．3 粗糙集的扩展模型 | 第48-50页 |
| 3．4 基于粗糙集理论的知识不确定性度量 | 第50-51页 |
| 3．5 粗糙集方法与其它智能方法的结合 | 第51-53页 |
| 3．6 粗糙集在数据挖掘中的应用及其存在的问题 | 第53-54页 |
| 3．7 小结 | 第54-55页 |
| 第四章 连续属性的离散化 | 第55-66页 |
| 4．1 引言 | 第55页 |
| 4．2 离散化方法 | 第55-58页 |
| 4．3 基于卡方统计的离散化方法 | 第58-59页 |
| 4．3．1 x~2分布检验及其应用 | 第58-59页 |
| 4．3．2 卡方统计量在离散化中的应用 | 第59页 |
| 4．4 RSE-Chi2离散化方法 | 第59-63页 |
| 4．4．1 特征价值度量方法 | 第60-62页 |
| 4．4．2 数据预处理 | 第62页 |
| 4．4．3 离散化操作步骤 | 第62-63页 |
| 4．5 实例测试比较 | 第63-64页 |
| 4．6 小结 | 第64-66页 |
| 第五章 决策表约简及其应用 | 第66-78页 |
| 5．1 引言 | 第66页 |
| 5．2 决策表的属性约简 | 第66-70页 |
| 5．2．1 常用的属性约简方法 | 第67-69页 |
| 5．2．2 属性约简的选择标准 | 第69页 |
| 5．2．3 连续属性决策系统的属性约简 | 第69-70页 |
| 5．3 决策表的值约简 | 第70-72页 |
| 5．3．1 值约简算法 | 第70-71页 |
| 5．3．2 改进的值约简算法 | 第71-72页 |
| 5．4 决策规则的运用 | 第72-73页 |
| 5．4．1 决策规则的参数 | 第72-73页 |
| 5．4．2 决策规则参数的合并 | 第73页 |
| 5．5 橄榄油样本数据中的分类规则挖掘 | 第73-76页 |
| 5．5．1 数据准备和离散化 | 第74页 |
| 5．5．2 决策表的约简 | 第74-75页 |
| 5．5．3 分类决策模型的推广性 | 第75-76页 |
| 5．6 小结 | 第76-78页 |
| 第六章 粗糙集与模糊系统的集成分类方法 | 第78-94页 |
| 6．1 引言 | 第78页 |
| 6．2 模糊集合和模糊逻辑的基本概念与方法 | 第78-84页 |
| 6．3 模糊推理分类系统 | 第84-87页 |
| 6．3．1 模糊分类规则 | 第85页 |
| 6．3．2 模糊推理分类 | 第85-86页 |
| 6．3．3 基于粗糙集方法的模糊系统结构辨识 | 第86-87页 |
| 6．4 模糊-神经网络分类系统 | 第87-91页 |
| 6．4．1 模糊-神经网络的结构及其各层含义 | 第87-88页 |
| 6．4．2 模糊-神经网络的训练 | 第88-91页 |
| 6．4．3 模糊-神经网络的参数初始化 | 第91页 |
| 6．4．4 粗糙集方法与模糊推理系统的集成分类方法 | 第91页 |
| 6．5 用于橄榄油分类的模糊-神经网络方法 | 第91-92页 |
| 6．6 小结 | 第92-94页 |
| 第七章 粗糙集与模糊系统集成的过程建模方法 | 第94-109页 |
| 7．1 引言 | 第94页 |
| 7．2 模糊推理回归系统 | 第94-96页 |
| 7．3 基于粗糙集的回归分析方法 | 第96-100页 |
| 7．3．1 决策属性值的离散化 | 第96-97页 |
| 7．3．2 不一致情况下的处理 | 第97-98页 |
| 7．3．3 决策规则的后处理 | 第98页 |
| 7．3．4 基于粗糙集的回归方法的优缺点及改进 | 第98-100页 |
| 7．4 用于回归建模的模糊-神经网络 | 第100-104页 |
| 7．4．1 模糊-神经网络的结构 | 第100-102页 |
| 7．4．2 模糊-神经网络系统的初始化 | 第102页 |
| 7．4．3 模糊-神经网络系统的训练 | 第102-104页 |
| 7．5 化工过程的粗糙-模糊推理系统方法建模 | 第104-108页 |
| 7．5．1 基于粗糙-模糊推理系统的方法 | 第105页 |
| 7．5．2 PTA装置溶剂脱水塔精馏过程及其建模 | 第105-108页 |
| 7．6 小结 | 第108-109页 |
| 第八章 总结与展望 | 第109-112页 |
| 8．1 研究工作总结 | 第109-111页 |
| 8．2 工作展望 | 第111-112页 |
| 参考文献 | 第112-126页 |
| 致谢 | 第126-127页 |
| 攻读博士学位期间完成的论文和科研项目 | 第127页 |