| 摘要 | 第5-8页 |
| ABSTRACT | 第8-11页 |
| 符号对照表 | 第16-17页 |
| 缩略语对照表 | 第17-22页 |
| 第一章 绪论 | 第22-34页 |
| 1.1 引言 | 第22-23页 |
| 1.2 粒计算的发展现状 | 第23-25页 |
| 1.3 本文的研究目的和意义 | 第25-29页 |
| 1.4 本文的主要工作 | 第29-34页 |
| 1.4.1 信息粒的编码与解码 | 第30页 |
| 1.4.2 基于合理粒度准则创建信息粒描述符与信息粒的性能评估 | 第30页 |
| 1.4.3 粒度数据描述:ε-信息粒簇的设计 | 第30-31页 |
| 1.4.4 粒度TS模糊模型的设计与实现:模糊子空间聚类与信息粒度最优分配的结合 | 第31页 |
| 1.4.5 非平衡数据集的粒度化欠采样 | 第31-34页 |
| 第二章 信息粒和信息粒度 | 第34-40页 |
| 2.1 信息粒和信息粒度 | 第34-35页 |
| 2.2 信息粒的描述以及处理机制 | 第35-37页 |
| 2.2.1 集合 | 第36页 |
| 2.2.2 模糊集 | 第36-37页 |
| 2.2.3 阴影集 | 第37页 |
| 2.2.4 其他模型 | 第37页 |
| 2.3 信息粒度的量化 | 第37-38页 |
| 2.4 高型和高阶的信息粒以及混合信息粒 | 第38-40页 |
| 第三章 信息粒的编码与解码 | 第40-60页 |
| 3.1 信息粒描述符和编码解码 | 第40-42页 |
| 3.2 粒数据描述和重建 | 第42-43页 |
| 3.3 使用码本表示和重建粒数据 | 第43-47页 |
| 3.3.1 表示机制 | 第43-45页 |
| 3.3.2 重建机制 | 第45-47页 |
| 3.4 码本的优化 | 第47-48页 |
| 3.4.1 优化目标 | 第47-48页 |
| 3.4.2 使用PSO算法对码本进行优化 | 第48页 |
| 3.5 实验 | 第48-55页 |
| 3.5.1 一维数据 | 第49-52页 |
| 3.5.2 多维数据 | 第52-55页 |
| 3.6 应用研究：粒模糊网络的解释 | 第55-58页 |
| 3.7 结论 | 第58-60页 |
| 第四章 基于合理粒度准则创建信息粒描述符与信息粒的性能评估 | 第60-74页 |
| 4.1 利用粒描述符描述数据 | 第60页 |
| 4.2 合理粒度准则和粒化-解粒化机制 | 第60-62页 |
| 4.3 信息粒的创建 | 第62-67页 |
| 4.3.1 指导创建信息粒的目标函数 | 第63-64页 |
| 4.3.2 评估信息粒重建能力的目标函数 | 第64-67页 |
| 4.4 使用DE算法对目标函数进行优化 | 第67页 |
| 4.5 实验 | 第67-72页 |
| 4.5.1 二维合成数据集 | 第68-70页 |
| 4.5.2 Seeds数据集 | 第70页 |
| 4.5.3 ILPD (Indian Liver Patient Dataset)数据集 | 第70-71页 |
| 4.5.4 Wilt数据集 | 第71-72页 |
| 4.6 结论 | 第72-74页 |
| 第五章 粒度数据描述:ε-信息粒簇的设计 | 第74-92页 |
| 5.1 粒描述符的优势 | 第74-76页 |
| 5.2 FCM算法及其优化版本 | 第76-78页 |
| 5.2.1 Fuzzy C-Means -底层算法和表示机制 | 第76页 |
| 5.2.2 Fuzzy C-Means的改进版本 | 第76-78页 |
| 5.2.3 重建误差评判准则 | 第78页 |
| 5.3 信息粒的构造过程 | 第78-82页 |
| 5.3.1 产生数值原型 | 第78页 |
| 5.3.2 形成 ε-信息粒簇 | 第78-79页 |
| 5.3.3 数据的粒度重建 | 第79-81页 |
| 5.3.4 粒数据描述符的性能评价 | 第81-82页 |
| 5.4 总体优化过程 | 第82-83页 |
| 5.5 实验 | 第83-90页 |
| 5.5.1 二维合成数据集 | 第84-87页 |
| 5.5.2 Wilt数据集 | 第87-89页 |
| 5.5.3 MiniBooNE particle identification数据集 | 第89-90页 |
| 5.5.4 Statlog (Shuttle)数据集 | 第90页 |
| 5.6 结论 | 第90-92页 |
| 第六章 粒度TS模糊模型的设计与实现 | 第92-108页 |
| 6.1 粒度TS模型 | 第92页 |
| 6.2 特征加权FCM算法 | 第92-94页 |
| 6.3 利用模糊聚类算法建立TS模糊模型 | 第94-95页 |
| 6.4 粒模糊模型 | 第95-97页 |
| 6.5 信息粒度的最优分配和目标函数 | 第97-98页 |
| 6.6 实验 | 第98-107页 |
| 6.6.1 二维合成数据集 | 第99-101页 |
| 6.6.2 具有偏态分布的合成数据集 | 第101-104页 |
| 6.6.3 Concrete Compressive Strength数据集 | 第104-105页 |
| 6.6.4 Wine Quality(red wine)数据集 | 第105-106页 |
| 6.6.5 Physicochemical Properties of Protein Tertiary Structure数据集 | 第106-107页 |
| 6.7 结论 | 第107-108页 |
| 第七章 非平衡数据集的粒度化欠采样 | 第108-124页 |
| 7.1 非平衡数据集 | 第108页 |
| 7.2 相关研究进展 | 第108-110页 |
| 7.2.1 采样方法 | 第108-109页 |
| 7.2.2 算法层面的改进 | 第109页 |
| 7.2.3 代价敏感学习策略 | 第109-110页 |
| 7.2.4 分类器组合策略 | 第110页 |
| 7.3 粒计算和信息粒 | 第110-111页 |
| 7.4 粒度欠采样方法 | 第111-113页 |
| 7.4.1 构造信息粒 | 第111-112页 |
| 7.4.2 粒数据的欠采样 | 第112-113页 |
| 7.4.3 数值数据的加权 | 第113页 |
| 7.5 分类器和目标函数 | 第113-115页 |
| 7.5.1 基于加权数据的支持向量机 | 第113-114页 |
| 7.5.2 基于加权数据的K近邻算法 | 第114-115页 |
| 7.5.3 评价准则 | 第115页 |
| 7.6 实验 | 第115-122页 |
| 7.6.1 二维合成数据集 | 第115-117页 |
| 7.6.2 机器学习数据集 | 第117-122页 |
| 7.7 结论 | 第122-124页 |
| 第八章 总结与展望 | 第124-128页 |
| 8.1 主要工作总结 | 第124-125页 |
| 8.2 未来工作展望 | 第125-128页 |
| 参考文献 | 第128-142页 |
| 致谢 | 第142-144页 |
| 作者简介 | 第144-146页 |
