基于数据挖掘的智能决策研究
| 第1章 绪论 | 第1-35页 |
| ·引言 | 第12页 |
| ·知识发现研究的进展评述 | 第12-24页 |
| ·知识发现和数据挖掘 | 第13-16页 |
| ·基本定义 | 第13页 |
| ·KDD过程及KDD系统结构 | 第13-16页 |
| ·KDD研究的主要问题 | 第16-17页 |
| ·知识发现的方法 | 第17-21页 |
| ·KDD应用及存在的问题 | 第21-24页 |
| ·KDD应用 | 第21-23页 |
| ·KDD存在的问题 | 第23-24页 |
| ·知识发现中不完备信息问题 | 第24-28页 |
| ·不完备信息 | 第25页 |
| ·丢失数据的现象 | 第25-26页 |
| ·丢失数据的过程和模式 | 第26-27页 |
| ·处理丢失数据的方法 | 第27页 |
| ·不完备信息环境下的知识发现研究现状 | 第27-28页 |
| ·粗糙集研究的历史 | 第28-32页 |
| ·本文的工作和内容组织 | 第32-35页 |
| 第2章 粗糙集数据分析数学基础及智能决策系统框架 | 第35-51页 |
| ·RSDA工具概述 | 第35-37页 |
| ·RSDA工具的数学机理 | 第37-44页 |
| ·知识的形式化定义 | 第37-38页 |
| ·等价关系(不可分辨关系) | 第38-40页 |
| ·知识的粒度 | 第40页 |
| ·粗糙集合 | 第40-41页 |
| ·知识的简化和核 | 第41-42页 |
| ·知识的相对简化和相对核 | 第42页 |
| ·范畴的简化、相对简化和核 | 第42-43页 |
| ·知识的依赖性 | 第43-44页 |
| ·知识表达系统 | 第44-45页 |
| ·决策系统 | 第45页 |
| ·基于数据挖掘技术的智能决策系统总体框架 | 第45-50页 |
| ·智能化交互式人机界面 | 第45-46页 |
| ·问题求解器 | 第46页 |
| ·方案设计决策支持 | 第46页 |
| ·广义知识库管理系统 | 第46-48页 |
| ·知识发现过程与数据挖掘管理器 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第3章 相容性决策系统的数据约减方法 | 第51-73页 |
| ·基于代数与逻辑的数据约减 | 第52-62页 |
| ·基于数据分析的属性约减方法 | 第52-56页 |
| ·基本定义 | 第52-53页 |
| ·约减算法的描述 | 第53-56页 |
| ·基于逻辑的属性值约减方法 | 第56-62页 |
| ·决策逻辑语言 | 第56-58页 |
| ·决策算法的最小化简化 | 第58页 |
| ·基于逻辑判断的值约减算法 | 第58-60页 |
| ·算例 | 第60-62页 |
| ·基于面向属性和信息熵的数据约减 | 第62-72页 |
| ·引言 | 第62-63页 |
| ·关系DB中进行学习的原理 | 第63-65页 |
| ·面向属性归纳原理 | 第63-65页 |
| ·信息熵原理 | 第65页 |
| ·规则提取方法 | 第65-68页 |
| ·算例 | 第68-72页 |
| ·本章小结 | 第72-73页 |
| 第4章 不相容性决策系统的数据挖掘模型及规则提取 | 第73-87页 |
| ·基于决策概念包含的数据挖掘 | 第73-79页 |
| ·粗集扩展模型基本理论 | 第73-74页 |
| ·带有不相容决策的数据挖掘模型及其性能分析 | 第74-76页 |
| ·算法思想 | 第76-77页 |
| ·算例 | 第77-79页 |
| ·基于粗糙重复组的数据挖掘 | 第79-86页 |
| ·基本理论 | 第79-81页 |
| ·粗糙重复组Rough集的不相容决策 | 第81-83页 |
| ·粗糙重复组决策过程 | 第81-83页 |
| ·不相容决策算法 | 第83页 |
| ·算例 | 第83-86页 |
| ·本章小结 | 第86-87页 |
| 第5章 增量式决策系统的数据挖掘模型与数据约减 | 第87-103页 |
| ·基于相容性决策系统的数据约减 | 第87-94页 |
| ·基于分辨矩阵的数据挖掘 | 第87-90页 |
| ·基于改进分辨矩阵的增量式数据挖掘模型 | 第90-94页 |
| ·基于不相容性决策系统的数据约减 | 第94-102页 |
| ·广义归纳表GDT | 第95-97页 |
| ·基于GDT与RS理论的规则发现 | 第97-101页 |
| ·分类规则发现算法 | 第101-102页 |
| ·本章小结 | 第102-103页 |
| 第6章 有序属性决策系统的粗糙集数据约减 | 第103-112页 |
| ·概述 | 第103页 |
| ·多准则多属性的粗集近似 | 第103-108页 |
| ·基于准则的数据约减算法 | 第108-109页 |
| ·参数描述 | 第108页 |
| ·算法过程 | 第108-109页 |
| ·算例 | 第109-111页 |
| ·基本粗集方法的约简结果 | 第109-110页 |
| ·基于优先及不可分辨关系的近似约减结果 | 第110-111页 |
| ·本章小结 | 第111-112页 |
| 第7章 粗糙集合的扩展模型 | 第112-139页 |
| ·粗糙集合扩展模型概述 | 第112-114页 |
| ·可变精度粗糙集合模型 | 第112-113页 |
| ·基于粗糙集合的非单调逻辑 | 第113-114页 |
| ·与其它数学工具的结合 | 第114页 |
| ·基于概率统计的扩展模型 | 第114-121页 |
| ·概述 | 第115页 |
| ·基于RS理论的概率规则 | 第115-117页 |
| ·RS理论概率规则测度 | 第117-118页 |
| ·概率规则的知识约减 | 第118-120页 |
| ·概率规则的知识约减算法 | 第120-121页 |
| ·基于模糊集合的扩展模型 | 第121-138页 |
| ·粗糙模糊集合与模糊粗糙集合及其特征分析 | 第121-125页 |
| ·模糊-粗糙关系数据库模型及信息测度 | 第125-129页 |
| ·粗糙关系数据库模型 | 第125-126页 |
| ·模糊粗糙关系数据库模型 | 第126-128页 |
| ·粗糙关系数据库及模糊粗糙关系数据库信息测度 | 第128-129页 |
| ·粗糙集合近似中的模糊表示 | 第129-138页 |
| ·属性集(AS)模型 | 第130-131页 |
| ·模糊属性集(FAS)模型 | 第131-138页 |
| ·模糊集合对象描述 | 第132-134页 |
| ·模糊集合上下近似及其分类规则的提取 | 第134-136页 |
| ·算例 | 第136-138页 |
| ·本章小结 | 第138-139页 |
| 第8章 基于数据分布特征的数据预处理方法 | 第139-150页 |
| ·离散化问题的正规化描述 | 第139-140页 |
| ·现有连续属性离散化方法综述 | 第140-142页 |
| ·基于数据分布特征的离散化方法 | 第142-147页 |
| ·基本原理 | 第142-146页 |
| ·算法思路及实现 | 第146-147页 |
| ·算例 | 第147-149页 |
| ·本章小结 | 第149-150页 |
| 第9章 基于数据挖掘的智能决策分析应用 | 第150-159页 |
| ·基于数据挖掘的决策分析过程 | 第150-151页 |
| ·本论文模型分析 | 第151-154页 |
| ·电信企业客户行为分组应用 | 第154-158页 |
| ·本章小结 | 第158-159页 |
| 第10章 结束语 | 第159-162页 |
| ·论文总结及创新 | 第159-161页 |
| ·进一步的研究工作 | 第161-162页 |
| 致谢 | 第162-163页 |
| 参考文献 | 第163-174页 |
| 附录 | 第174-181页 |
| 攻读博士期间发表的论文 | 第181-183页 |
