基于案例的刑事审讯辅助决策算法研究及应用
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 引言 | 第8-10页 |
| 1 基础知识 | 第10-22页 |
| 1．1 数据挖掘技术 | 第10-17页 |
| 1．1．1 数据挖掘的任务和步骤 | 第10-11页 |
| 1．1．2 数据挖掘方法和技术 | 第11-17页 |
| 1．1．3 数据挖掘技术发展趋向 | 第17页 |
| 1．2 粗糙集 | 第17-18页 |
| 1．3 知识发现 | 第18-19页 |
| 1．4 贝叶斯网络与知识发现 | 第19-20页 |
| 1．5 关联规则 | 第20-22页 |
| 2 刑事审讯辅助决策模型分析 | 第22-26页 |
| 2．1 刑事审讯问题描述 | 第22-23页 |
| 2．2 基于案例的辅助决策模型分析 | 第23-26页 |
| 2．2．1 辅助决策模型的基本思想 | 第24页 |
| 2．2．2 辅助决策模型的主要工作 | 第24-26页 |
| 3 刑事审讯案例连续属性离散化 | 第26-32页 |
| 3．1 粗糙集与审讯案例属性离散化 | 第26-27页 |
| 3．2 改进的属性离散化算法 | 第27-29页 |
| 3．2．1 基本概念 | 第27-28页 |
| 3．2．2 算法描述 | 第28-29页 |
| 3．3 审讯案例数据测试 | 第29-32页 |
| 4 刑事审讯案例的贝叶斯网络分析 | 第32-46页 |
| 4．1 贝叶斯网络描述与刑事审讯 | 第32-34页 |
| 4．1．1 贝叶斯网络的数学描述 | 第32-33页 |
| 4．1．2 贝叶斯网络与刑事审讯 | 第33-34页 |
| 4．2 基于审讯案例的贝叶斯网络学习 | 第34-39页 |
| 4．2．1 结构学习 | 第34-37页 |
| 4．2．2 参数学习 | 第37-39页 |
| 4．3 基于审讯案例的贝叶斯网络推理 | 第39-41页 |
| 4．4 审讯案例模型生成 | 第41-46页 |
| 4．4．1 犯罪嫌疑人个性心理特征分类模型 | 第41-44页 |
| 4．4．2 审讯对策方式模型 | 第44-46页 |
| 5 基于审讯案例的关联规则模型生成及更新 | 第46-55页 |
| 5．1 关联规则基本概念 | 第46页 |
| 5．2 审讯案例关联规则模型的生成 | 第46-51页 |
| 5．2．1 关联Apriori算法 | 第47-48页 |
| 5．2．2 审讯案例关联结论测试 | 第48-51页 |
| 5．3 审讯案例关联模型的增量更新 | 第51-55页 |
| 5．3．1 关联规则增量更新算法 | 第51-52页 |
| 5．3．2 审讯案例关联增量结果测试 | 第52-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-60页 |
| 大连理工大学学位论文版权使用授权书 | 第60页 |
