| 第一章 绪 论 | 第1-32页 |
| ·选题的研究背景与研究意义 | 第8-10页 |
| ·数据挖掘概论 | 第10-12页 |
| ·数据挖掘定义 | 第10-11页 |
| ·数据挖掘系统的分类 | 第11-12页 |
| ·时间序列数据挖掘的研究进展及评述 | 第12-25页 |
| ·时间序列的定义 | 第12-13页 |
| ·时间序列数据挖掘的相关研究 | 第13-25页 |
| ·分类技术的有关方法 | 第25-29页 |
| ·神经网络 | 第26-27页 |
| ·粗集理论 | 第27-28页 |
| ·K-最近邻 | 第28-29页 |
| ·本文的主要工作及创新点 | 第29-32页 |
| 第二章 时间序列的分段线性化描述及其相似性算法的研究 | 第32-46页 |
| ·引言 | 第32-34页 |
| ·一种结构自适应的分段线性化描述方法 | 第34-41页 |
| ·结构自适应的时间序列的分段线性化描述 | 第34-37页 |
| ·基于分段线性化的时间序列相似性的测量 | 第37-40页 |
| ·基于分段线性化表示的时间序列的k -平均[39]聚类算法 | 第40-41页 |
| ·仿真实验 | 第41-45页 |
| ·人工合成的时间序列 | 第42-44页 |
| ·股票时间序列 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第三章 时间序列静态属性的抽取 | 第46-57页 |
| ·引言 | 第46页 |
| ·时间序列的平滑处理 | 第46-49页 |
| ·移动平均法(moving averages) | 第47-48页 |
| ·低通滤波器法 | 第48-49页 |
| ·时间序列的静态属性抽取 | 第49-51页 |
| ·模式的属性抽取 | 第50-51页 |
| ·属性数据规范化 | 第51页 |
| ·时间序列静态属性的离散化 | 第51-55页 |
| ·等距离划分算法 | 第52页 |
| ·等频率划分算法 | 第52页 |
| ·Naive Scaler算法 | 第52-53页 |
| ·基于信息熵的离散化 | 第53-54页 |
| ·离散数据的表示 | 第54-55页 |
| ·仿真实验 | 第55页 |
| ·静态模式抽取 | 第55页 |
| ·连续属性离散化 | 第55页 |
| ·本章小结 | 第55-57页 |
| 第四章 一种具有高泛化性能的分类算法 | 第57-66页 |
| ·引言 | 第57-58页 |
| ·基于正则最小二乘训练的前馈神经网络分类方法 | 第58-63页 |
| ·网络和相应的动态系统 | 第59-60页 |
| ·基于单个权值的局部化正则最小二乘算法 | 第60-62页 |
| ·协方差阵P是否发散的分析 | 第62页 |
| ·输入属性和隐节点删除子算法 | 第62-63页 |
| ·仿真实验 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 第五章 正则化训练的神经网络和粗集理论相结合的趋势预测方法 | 第66-77页 |
| ·问题提出 | 第66页 |
| ·应用于分类技术的粗集理论基础 | 第66-72页 |
| ·粗集理论概述 | 第66-68页 |
| ·属性约简 | 第68-70页 |
| ·规则抽取 | 第70-71页 |
| ·粗集理论应用于分类技术的举例 | 第71-72页 |
| ·正则化训练的神经网络和粗集理论相结合的时间序列趋势预测 | 第72-75页 |
| ·神经网络和粗集理论相结合的算法介绍 | 第72-74页 |
| ·正则最小二乘化的神经网络和粗集理论相结合的分类算法(LRRLS+NP+RS) | 第74-75页 |
| ·仿真实验 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| 第六章 一种新的K-最近邻分类算法 | 第77-90页 |
| ·K-最近邻分类算法简介 | 第77-78页 |
| ·K-最近邻分类技术的改进算法 | 第78-82页 |
| ·训练样本集的编辑和压缩 | 第78-79页 |
| ·属性权值的调整 | 第79-82页 |
| ·一种新的K-最近邻混合分类算法 | 第82-85页 |
| ·基于神经网络的属性权重调整 | 第82-83页 |
| ·CLKNN算法 | 第83-85页 |
| ·仿真实验 | 第85-89页 |
| ·标准的UCI数据库分类问题 | 第86-87页 |
| ·股票时间序列数据库 | 第87-88页 |
| ·与其他算法的预测结果比较 | 第88-89页 |
| ·小结 | 第89-90页 |
| 第七章 基于带移动窗的神经网络时变数据分类技术 | 第90-100页 |
| ·引论 | 第90-15990页 |
| ·时变数据的最小二乘学习算法 | 第15990-91页 |
| ·前馈神经网络结构及带移动窗的最小二乘学习算法MWLS (Moving-Window Least Squares) | 第91-97页 |
| ·全局化算法 | 第15291-96页 |
| ·局部化递推算法 | 第96-97页 |
| ·仿真实验 | 第97页 |
| ·结论 | 第97-100页 |
| 第八章 总结与展望 | 第100-102页 |
| ·全文总结 | 第100-101页 |
| ·存在的问题和研究前景展望 | 第101-102页 |
| 参考文献 | 第102-113页 |
| 攻读博士期间发表的论文及参加的科研项目 | 第113-114页 |
| 致 谢 | 第114页 |
