| 摘要 | 第1-11页 |
| ABSTRACT | 第11-13页 |
| 第1章 绪论 | 第13-31页 |
| 1．1 数据库技术及其发展 | 第13-15页 |
| 1．1．1 数据库技术及其三个发展阶段 | 第13-14页 |
| 1．1．2 数据库的研究领域 | 第14页 |
| 1．1．3 数据库新技术 | 第14-15页 |
| 1．2 数据挖掘的有关概念 | 第15-18页 |
| 1．2．1 数据挖掘的诞生 | 第15-16页 |
| 1．2．2 什么是数据挖掘 | 第16-18页 |
| 1．2．3 数据挖掘的对象 | 第18页 |
| 1．2．4 数据挖掘系统的分类 | 第18页 |
| 1．3 数据挖掘技术和方法 | 第18-22页 |
| 1．3．1 统计方法 | 第19页 |
| 1．3．2 模糊集 | 第19页 |
| 1．3．3 支持向量机 | 第19页 |
| 1．3．4 粗糙集 | 第19-20页 |
| 1．3．5 规则归纳 | 第20页 |
| 1．3．6 决策树 | 第20页 |
| 1．3．7 范例推理 | 第20页 |
| 1．3．8 贝叶斯信念网络 | 第20页 |
| 1．3．9 公式发现 | 第20-21页 |
| 1．3．10 遗传算法 | 第21页 |
| 1．3．11 神经网络 | 第21页 |
| 1．3．12 可视化 | 第21-22页 |
| 1．4 数据挖掘发现的知识类型 | 第22-23页 |
| 1．4．1 概念／类描述：特征化和区分 | 第22页 |
| 1．4．2 关联规则 | 第22页 |
| 1．4．3 分类 | 第22-23页 |
| 1．4．4 聚类 | 第23页 |
| 1．4．5 孤立点分析 | 第23页 |
| 1．4．6 演变分析 | 第23页 |
| 1．5 数据挖掘的知识表示 | 第23-24页 |
| 1．6 兴趣度度量 | 第24页 |
| 1．7 数据挖掘系统 | 第24-26页 |
| 1．7．1 数据挖掘系统的结构 | 第24-25页 |
| 1．7．2 数据挖掘系统的发展 | 第25-26页 |
| 1．7．3 数据挖掘工具的评价标准 | 第26页 |
| 1．7．4 商用数据挖掘系统 | 第26页 |
| 1．8 数据挖掘的应用 | 第26-27页 |
| 1．9 数据挖掘研究的发展趋势 | 第27-29页 |
| 1．10 本文内容简介 | 第29-31页 |
| 第2章 关联规则高效挖掘算法的研究 | 第31-48页 |
| 2．1 引言 | 第31-32页 |
| 2．2 Apriori算法及其改进方法 | 第32-36页 |
| 2．2．1 Apriori算法 | 第32-34页 |
| 2．2．2 优化Apriori算法的方法 | 第34-35页 |
| 2．2．3 其它改进方法 | 第35-36页 |
| 2．3 一种基于Apriori的改进算法 | 第36-39页 |
| 2．3．1 问题的提出 | 第36-38页 |
| 2．3．2 改进算法 | 第38-39页 |
| 2．4 一种基于事务树的快速挖掘关联规则的算法 | 第39-44页 |
| 2．4．1 问题描述 | 第40-41页 |
| 2．4．2 构造事务树 | 第41-42页 |
| 2．4．3 挖掘事务树中频繁项目集的算法 | 第42-43页 |
| 2．4．4 实验结果 | 第43-44页 |
| 2．4．5 结论 | 第44页 |
| 2．5 用Visual FoxPro实现Apriori算法的方法 | 第44-47页 |
| 2．5．1 设计思路 | 第44-45页 |
| 2．5．2 程序清单 | 第45-47页 |
| 2．6 本章小结 | 第47-48页 |
| 第3章 关联规则衡量标准的研究 | 第48-64页 |
| 3．1 引言 | 第48页 |
| 3．2 关联规则衡量标准和一些改进方法的不足 | 第48-51页 |
| 3．2．1 衡量标准的不足 | 第48-49页 |
| 3．2．2 改进方法的不足 | 第49-51页 |
| 3．3 问题分析 | 第51-52页 |
| 3．4 方法一：增加影响度标准 | 第52-56页 |
| 3．4．1 影响度的定义 | 第52-53页 |
| 3．4．2 根据影响度将强关联规则分为三类 | 第53-54页 |
| 3．4．3 算法描述 | 第54-55页 |
| 3．4．4 实验结果 | 第55-56页 |
| 3．5 方法二：增加相对置信度标准 | 第56-59页 |
| 3．5．1 相对置信度的定义 | 第56-57页 |
| 3．5．2 根据相对置信度将强关联规则分为三类 | 第57-58页 |
| 3．5．3 算法描述 | 第58-59页 |
| 3．5．4 实验结果 | 第59页 |
| 3．6 方法三：增加有效度标准 | 第59-63页 |
| 3．6．1 有效度的定义 | 第59-60页 |
| 3．6．2 根据有效度将关联规则分为三类 | 第60-62页 |
| 3．6．3 算法描述 | 第62页 |
| 3．6．4 实验结果 | 第62-63页 |
| 3．7 本章小结 | 第63-64页 |
| 第4章 数据挖掘中分类算法的研究 | 第64-84页 |
| 4．1 引言 | 第64-65页 |
| 4．2 分类算法的种类及特性 | 第65-71页 |
| 4．2．1 决策树分类算法 | 第65-67页 |
| 4．2．2 贝叶斯分类算法 | 第67-69页 |
| 4．2．3 基于关联规则的分类算法 | 第69页 |
| 4．2．4 基于数据库技术的分类算法 | 第69-70页 |
| 4．2．5 其他分类算法 | 第70-71页 |
| 4．3 分类算法的评价标准 | 第71页 |
| 4．4 SPRINT算法及其改进方法 | 第71-79页 |
| 4．4．1 SPRINT算法 | 第72-76页 |
| 4．4．2 SPRINT算法的不足与改进方法 | 第76-79页 |
| 4．5 一种基于抽样的快速数据分类算法 | 第79-82页 |
| 4．5．1 设计思想 | 第79-80页 |
| 4．5．2 算法描述 | 第80页 |
| 4．5．3 算法的并行化 | 第80-81页 |
| 4．5．4 实验结果 | 第81-82页 |
| 4．5．5 结论 | 第82页 |
| 4．6 本章小结 | 第82-84页 |
| 第5章 数据挖掘中聚类算法的研究 | 第84-106页 |
| 5．1 引言 | 第84页 |
| 5．2 聚类分析中的数据类型和相异度 | 第84-87页 |
| 5．2．1 区间标度变量 | 第85页 |
| 5．2．2 二元变量 | 第85-86页 |
| 5．2．3 标称变量 | 第86页 |
| 5．2．4 序数型变量 | 第86-87页 |
| 5．2．5 比例标度型变量 | 第87页 |
| 5．3 聚类方法 | 第87-98页 |
| 5．3．1 划分方法 | 第88-91页 |
| 5．3．2 层次方法 | 第91-94页 |
| 5．3．3 基于密度的方法 | 第94-95页 |
| 5．3．4 基于网格的方法 | 第95-97页 |
| 5．3．5 基于模型的方法 | 第97-98页 |
| 5．4 聚类算法的研究方向和评价标准 | 第98-100页 |
| 5．5 一种基于BIRCH的抽样聚类算法 | 第100-105页 |
| 5．5．1 BIRCH算法 | 第100-101页 |
| 5．5．2 BIRCH算法的不足 | 第101-102页 |
| 5．5．3 改进方法 | 第102-104页 |
| 5．5．4 实验结果 | 第104页 |
| 5．5．5 结论 | 第104-105页 |
| 5．6 本章小结 | 第105-106页 |
| 第6章 采用约束与多维技术的数据挖掘 | 第106-112页 |
| 6．1 引言 | 第106页 |
| 6．2 特别的查询驱动系统 | 第106页 |
| 6．3 数据挖掘中的约束 | 第106-108页 |
| 6．4 基于约束的关联规则挖掘 | 第108-110页 |
| 6．4．1 反单调约束 | 第108-109页 |
| 6．4．2 简洁约束 | 第109页 |
| 6．4．3 维／层约束 | 第109-110页 |
| 6．5 结构设计 | 第110-111页 |
| 6．6 本章小结 | 第111-112页 |
| 第7章 最优潮流问题的一类新型算法 | 第112-125页 |
| 7．1 数据挖掘在电力系统中的应用 | 第112-114页 |
| 7．1．1 在电力系统中运用数据挖掘技术的必要性 | 第112-113页 |
| 7．1．2 电力系统中可用数据挖掘技术解决的问题 | 第113-114页 |
| 7．2 最优潮流综述 | 第114-117页 |
| 7．3 数学模型及新算法 | 第117-122页 |
| 7．3．1 数学模型 | 第117-121页 |
| 7．3．2 投影渐近半光滑Newton型算法 | 第121-122页 |
| 7．4 数值试验 | 第122-124页 |
| 7．4．1 试验说明 | 第122页 |
| 7．4．2 试验结果及分析 | 第122-124页 |
| 7．5 本章小结 | 第124-125页 |
| 结论 | 第125-128页 |
| 参考文献 | 第128-136页 |
| 致谢 | 第136-137页 |
| 附录A (攻读学位期间已发表或录用的学术论文) | 第137-138页 |