| 第一章 绪论 | 第7-21页 |
| 1.1 本文的选题背景和研究意义 | 第7-8页 |
| 1.2 数据挖掘概论 | 第8-13页 |
| 1.2.1 数据挖掘定义 | 第9-10页 |
| 1.2.2 挖掘系统的分类 | 第10-11页 |
| 1.2.3 分类数据挖掘的主要步骤 | 第11-12页 |
| 1.2.4 分类数据挖掘面临的主要问题 | 第12-13页 |
| 1.3 分类技术的有关方法 | 第13-19页 |
| 1.3.1 神经网络 | 第13-15页 |
| 1.3.2 粗集理论 | 第15-16页 |
| 1.3.3 决策树学习 | 第16-17页 |
| 1.3.4 遗传算法 | 第17-18页 |
| 1.3.5 K-最近邻方法 | 第18-19页 |
| 1.4 本文的主要工作和创新点 | 第19-21页 |
| 1.4.1 本文的主要工作 | 第19-20页 |
| 1.4.2 本文的创新点 | 第20-21页 |
| 第二章 分类数据挖掘中的属性选择和规则抽取 | 第21-34页 |
| 2.1 属性选择和规则抽取概述 | 第21-23页 |
| 2.1.1 属性选择概述 | 第21-23页 |
| 2.1.2 规则抽取概述 | 第23页 |
| 2.2 基于神经网络属性选择和规则抽取方法 | 第23-27页 |
| 2.2.1 神经网络属性选择 | 第24-25页 |
| 2.2.2 神经网络规则抽取分解算法 | 第25-26页 |
| 2.2.3 神经网络规则抽取教学算法 | 第26-27页 |
| 2.3 基于粗据理论的属性选择和规则抽取 | 第27-30页 |
| 2.4 基于决策树的属性选择和规则抽取方法 | 第30-32页 |
| 2.5 分类数据挖掘中各种方法的比较 | 第32页 |
| 2.6 本章小节 | 第32-34页 |
| 第三章 基于输入输出关联法排序的RBF神经网络属性选择方法 | 第34-42页 |
| 3.1 引言 | 第34-35页 |
| 3.2 基于输入输出关联法的属性重要性排序 | 第35-37页 |
| 3.3 神经网络属性选择方法 | 第37-38页 |
| 3.4 试验结果与分析 | 第38-41页 |
| 3.5 本章小节 | 第41-42页 |
| 第四章 基于可分性判据排序的RBF神经网络属性选择方法 | 第42-51页 |
| 4.1 引言 | 第42页 |
| 4.2 基于可分性判据的属性重要性排序 | 第42-46页 |
| 4.2.1 基于特征可分性的归纳学习算法(SBI) | 第42-45页 |
| 4.2.2 改进的可分性判据方法 | 第45-46页 |
| 4.3 神经网络属性选择方法 | 第46页 |
| 4.4 试验结果与分析 | 第46-49页 |
| 4.5 本章小节 | 第49-51页 |
| 第五章 基于属性降维的概率神经网络模糊规则抽取方法 | 第51-59页 |
| 5.1 引言 | 第51-52页 |
| 5.2 概率神经网络简介 | 第52-53页 |
| 5.3 概率神经网络模糊规则抽取 | 第53-56页 |
| 5.3.1 属性选择 | 第54页 |
| 5.3.2 属性模糊化 | 第54-55页 |
| 5.3.3 概率神经网络规则抽取 | 第55-56页 |
| 5.4 试验结果与分析 | 第56-58页 |
| 5.5 本章小节 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 全文总结 | 第59页 |
| 6.2 本文研究内容的可能后继工作 | 第59-60页 |
| 6.3 分类数据挖掘的研究前景 | 第60-61页 |
| 参考文献 | 第61-68页 |
| 发表论文和科研情况说明 | 第68-69页 |
| 致 谢 | 第69页 |
