| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-11页 |
| 1 绪论 | 第11-16页 |
| 1．1 从传统数据分析技术到KDD技术 | 第11-12页 |
| 1．2 典型的KDD过程 | 第12-13页 |
| 1．3 粗集理论在KDD领域中的应用 | 第13-15页 |
| 1．4 论文结构 | 第15-16页 |
| 2 粗集理论基础 | 第16-22页 |
| 2．1 粗集基本概念 | 第16-18页 |
| 2．2 基于粗集模型的数据挖掘 | 第18-22页 |
| 2．2．1 属性约简——特征子集选择 | 第18-19页 |
| 2．2．2 值约简——分类规则挖掘 | 第19-22页 |
| 3 数据离散化技术研究 | 第22-40页 |
| 3．1 数据离散化问题概述 | 第22-28页 |
| 3．1．1 数据离散化概念 | 第22-23页 |
| 3．1．2 最优离散化问题 | 第23-24页 |
| 3．1．3 典型的数据离散化方法 | 第24-28页 |
| 3．2 基于粗集理论的数据离散化新方法 | 第28-38页 |
| 3．2．1 贪心算法的再改进 | 第28-31页 |
| 3．2．2 新的候选断点集合计算方法 | 第31-35页 |
| 3．2．3 候选断点的选择概率及其应用 | 第35-38页 |
| 3．3 本章小结 | 第38-40页 |
| 4 特征子集选择技术研究 | 第40-69页 |
| 4．1 特征子集选择概述 | 第40-51页 |
| 4．1．1 特征子集选择的含义 | 第40-41页 |
| 4．1．2 特征子集选择模型 | 第41-43页 |
| 4．1．3 特征子集选择的相关技术 | 第43-45页 |
| 4．1．4 典型的特征子集选择算法 | 第45-50页 |
| 4．1．5 学习系统特征与特征子集选择技术 | 第50-51页 |
| 4．2 属性相关性与属性核计算 | 第51-57页 |
| 4．2．1 属性相关性 | 第51-53页 |
| 4．2．2 属性核的计算 | 第53-57页 |
| 4．3 系统熵及其在特征子集选择中的应用 | 第57-67页 |
| 4．3．1 系统熵及其代数特征 | 第58-60页 |
| 4．3．2 基于系统熵的特征子集选择算法 | 第60-63页 |
| 4．3．3 系统熵的固有取值倾向 | 第63-65页 |
| 4．3．4 基于属性重要性的特征子集选择算法 | 第65-67页 |
| 4．4 本章小结 | 第67-69页 |
| 5 决策规则学习技术研究 | 第69-90页 |
| 5．1 典型的决策规则学习算法 | 第69-72页 |
| 5．1．1 一般值约简算法 | 第69页 |
| 5．1．2 归纳值约简 | 第69-71页 |
| 5．1．3 启发式值约简算法 | 第71页 |
| 5．1．4 Skowron算法 | 第71-72页 |
| 5．2 决策系统不确定性的度量 | 第72-85页 |
| 5．2．1 决策系统中的不确定性现象 | 第72-74页 |
| 5．2．2 基于粗集模型的系统不确定性度量方法研究 | 第74-78页 |
| 5．2．3 系统不确定性度量新方法 | 第78-83页 |
| 5．2．4 系统不确定性对学习算法性能的影响 | 第83-85页 |
| 5．3 H&MA：一种新的决策规则学习算法 | 第85-88页 |
| 5．3．1 理论基础 | 第85-86页 |
| 5．3．2 算法描述 | 第86-88页 |
| 5．3．3 算法性能测试 | 第88页 |
| 5．4 本章小结 | 第88-90页 |
| 6 结论 | 第90-92页 |
| 致谢 | 第92-93页 |
| 参考文献 | 第93-99页 |
| 附录 | 第99页 |
| 攻读学位期间参与的科研项目 | 第99页 |
| 攻读学位期间发表或录用的论文 | 第99-100页 |