| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 故障诊断研究现状 | 第10-11页 |
| 1.2.1.1 基于解析模型的故障诊断方法 | 第11页 |
| 1.2.1.2 基于信号处理的故障诊断方法 | 第11页 |
| 1.2.1.3 基于知识的故障诊断方法 | 第11页 |
| 1.2.2 决策树研究现状 | 第11-12页 |
| 1.2.3 粗糙集研究现状 | 第12-13页 |
| 1.3 论文内容 | 第13-15页 |
| 第2章 粗糙集理论概述 | 第15-24页 |
| 2.1 粗糙集理论基础 | 第15-22页 |
| 2.1.1 信息系统 | 第15-16页 |
| 2.1.2 知识与分类 | 第16页 |
| 2.1.3 不精确范畴：上近似与下近似 | 第16-18页 |
| 2.1.4 属性依赖度和重要性 | 第18页 |
| 2.1.5 知识约简与核 | 第18-19页 |
| 2.1.6 知识系统中连续属性的离散化 | 第19-20页 |
| 2.1.7 变精度粗糙集模型 | 第20页 |
| 2.1.8 实例说明 | 第20-22页 |
| 2.2 粗糙集理论的应用研究 | 第22-23页 |
| 2.2.1 人工智能方向 | 第22页 |
| 2.2.2 决策分析 | 第22-23页 |
| 2.2.3 知识发现 | 第23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 决策树相关算法概述 | 第24-33页 |
| 3.1 决策树理论基础 | 第24-25页 |
| 3.1.1 决策树的生长 | 第24-25页 |
| 3.1.2 决策树的修剪 | 第25页 |
| 3.2 决策树属性选择方法 | 第25-28页 |
| 3.2.1 信息熵标准 | 第25-27页 |
| 3.2.2 Gini指数标准 | 第27-28页 |
| 3.3 决策树生成相关算法 | 第28-31页 |
| 3.3.1 ID3算法 | 第28-29页 |
| 3.3.2 C4.5算法 | 第29-30页 |
| 3.3.3 CART算法 | 第30-31页 |
| 3.4 本章小结 | 第31-33页 |
| 第4章 粗糙集-决策树的算法改进 | 第33-42页 |
| 4.1 决策树属性选择的改进依据 | 第34-35页 |
| 4.1.1 属性选择 | 第34页 |
| 4.1.2 相对泛化的定义 | 第34-35页 |
| 4.2 基于粗糙集的决策树构造 | 第35-39页 |
| 4.2.1 属性约简 | 第35-37页 |
| 4.2.2 多变量决策树的构造 | 第37-39页 |
| 4.3 实例说明 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 基于故障诊断的统计分析研究 | 第42-54页 |
| 5.1 粗糙集—决策树算法在故障诊断中的应用 | 第42-49页 |
| 5.1.1 数据样本说明 | 第42-43页 |
| 5.1.2 数据离散化 | 第43-44页 |
| 5.1.3 数据约简 | 第44-46页 |
| 5.1.4 决策树的构造 | 第46-49页 |
| 5.1.5 规则生成 | 第49页 |
| 5.2 C4.5决策树算法在故障诊断中的应用 | 第49-52页 |
| 5.2.1 Clementine软件简介 | 第49-50页 |
| 5.2.2 基于Clementine的C4.5决策树算法在故障诊断中的实现 | 第50-52页 |
| 5.3 分析与评价 | 第52-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 进一步工作 | 第54-55页 |
| 6.3 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59页 |