基于粗糙集和模糊神经网络的数据挖掘方法研究
| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-13页 |
| ·引言 | 第8-9页 |
| ·数据挖掘中的粗糙集和模糊神经网络方法 | 第9-11页 |
| ·粗糙集发展及应用 | 第9-10页 |
| ·模糊神经网络研究现状 | 第10页 |
| ·利用粗糙集理论优化模糊神经网络建模 | 第10-11页 |
| ·数据挖掘的研究现状 | 第11页 |
| ·本文的组织结构 | 第11-13页 |
| 第二章 数据挖掘概述 | 第13-20页 |
| ·数据挖掘的概念 | 第13-14页 |
| ·数据挖掘过程 | 第14-15页 |
| ·数据挖掘的数据来源 | 第15-16页 |
| ·关系型数据库 | 第15页 |
| ·数据仓库 | 第15-16页 |
| ·高级数据库 | 第16页 |
| ·数据挖掘的任务 | 第16-17页 |
| ·数据挖掘常用的技术和方法 | 第17-18页 |
| ·数据挖掘的应用领域 | 第18-19页 |
| ·数据挖掘所面临的挑战及研究方向 | 第19-20页 |
| 第三章 模糊逻辑和神经网络的理论基础 | 第20-35页 |
| ·模糊逻辑的理论基础知识 | 第20-26页 |
| ·模糊集合的定义及其运算 | 第20-21页 |
| ·模糊集合与普通集合的联系 | 第21-22页 |
| ·模糊关系 | 第22-23页 |
| ·模糊推理 | 第23-25页 |
| ·模糊逻辑系统 | 第25-26页 |
| ·神经网络基础知识 | 第26-35页 |
| ·人工神经元模型 | 第27-28页 |
| ·神经网络的结构 | 第28-29页 |
| ·神经网络的学习过程 | 第29-30页 |
| ·神经网络的误差反向传播BP学习算法 | 第30-35页 |
| 第四章 模糊神经网络知识 | 第35-45页 |
| ·模糊神经元 | 第35-38页 |
| ·由模糊规则“If–then”描述的模糊神经元 | 第35-36页 |
| ·具有清晰输入的模糊神经元 | 第36-37页 |
| ·具有模糊输入的神经元 | 第37-38页 |
| ·模糊神经元的学习和自适应机制 | 第38页 |
| ·模糊神经网络的结构 | 第38-42页 |
| ·模糊神经网络的学习算法 | 第42-43页 |
| ·利用模糊神经网络进行数据挖掘 | 第43-45页 |
| 第五章 粗糙集理论及在数据挖掘中的应用 | 第45-57页 |
| ·粗糙集理论知识 | 第45-48页 |
| ·粗糙集的概念 | 第45-47页 |
| ·粗糙集的不确定性的度量 | 第47-48页 |
| ·决策系统和决策表 | 第48页 |
| ·属性约简 | 第48-51页 |
| ·属性的依赖度 | 第48-49页 |
| ·属性的重要性 | 第49-50页 |
| ·属性约简 | 第50-51页 |
| ·属性值约简和规则提取 | 第51-53页 |
| ·基于属性分类质量的属性约简算法 | 第53-54页 |
| ·粗糙集和模糊集、神经网络计算方法的比较 | 第54-56页 |
| ·粗糙集和模糊集 | 第54-55页 |
| ·粗糙集与神经网络 | 第55-56页 |
| ·粗糙集在数据挖掘中的优势和问题 | 第56-57页 |
| 第六章 利用粗糙集和模糊神经网络进行数据挖掘 | 第57-63页 |
| ·问题的提出 | 第57-58页 |
| ·粗糙集和模糊神经网络相结合 | 第58页 |
| ·用MATLAB语言实现建模和数据挖掘 | 第58-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-66页 |
| 发表论文和科研情况说明 | 第66-67页 |
| 致谢 | 第67页 |
