Rough Set Theory And Data Mining Applications

第1章 導(dǎo)言
1.1 問題的提出
1.2 粗糙集理論及其研究現(xiàn)狀
1.3 球團(tuán)生產(chǎn)系統(tǒng)數(shù)據(jù)挖掘
1.3.1 球團(tuán)生產(chǎn)系統(tǒng)概述
1.3.2 鏈篦機(jī)一回轉(zhuǎn)窯一環(huán)冷機(jī)工藝流程
1.3.3 粗糙集理論在質(zhì)量數(shù)據(jù)挖掘中的應(yīng)用現(xiàn)狀
1.4 粗糙集理論在圖像數(shù)據(jù)挖掘中的應(yīng)用現(xiàn)狀
1.5 主要研究思路及內(nèi)容安排
1.5.1 主要研究思路
1.5.2 內(nèi)容安排 
第2章 粗糙集約簡及改進(jìn)算法
2.1 引言 
2.2 粗糙集屬性約簡 
2.2.1 粗糙近似
2.2.2 約簡與核
2.2.3 基于依賴度的相對屬性約簡
2.3 粗糙集理論不確定性分析
2.3.1 粗糙集理論對不確定性的處理能力 
2.3.2 粗糙集不確定性量度
2.4 粗糙集最小屬性集選擇 
2.4.1 粗糙集最小屬性集 
2.4.2 屬性集選擇 
2.4.3 屬性集選擇的貪心算法
2.4.4 算例分析 
2.5 基于遺傳算法的屬性相對約簡
2.6 基于離散粒子群算法的屬性約簡
2.6.1 粒子群優(yōu)化算法
2.6.2 離散粒子群算法的屬性約簡算法實(shí)施
2.7 算例分析
2.8 小結(jié)
第3章 粒子群算法優(yōu)化變精度粗糙集規(guī)則獲取
3.1 引 言
3.2可 變精度粗糙集
3.2.1 變精度粗糙集中的近似集合
3.2.2 變精度粗糙集中近似集合的性質(zhì)
3.3 決策規(guī)則測度分析
3.3.1 決策規(guī)則測度基本概念
3.3.2 閾值舛員渚卻植詮嬖蚣撓跋ì
3.4 離散粒子群（DPS0）的變精度粗糙集規(guī)則獲取
3.4.1 離散粒子群（DPso）的變精度粗糙集規(guī)則獲取
3.4.2 實(shí)例分析
3.5 對比分析
3.6 小結(jié)
第4章 層次樹模型在粗糙集約簡中的應(yīng)用
4.1 引 言
4.2 基于熵的粗糙集不確定性度量分析
4.2.1 信息熵
4.2.2 粗糙熵
4.2.3 知識(shí)粒度
4.2.4 引入粗糙度的粗糙熵
4.2.5 改進(jìn)的粗糙熵
4.3 基于粗糙熵的屬性約簡
4.4 基于粗糙集的分層次挖掘算法
4.5 基于粗糙集的層次樹模型
4.5.1 構(gòu)建層次樹模型
4.5.2 基于粗糙熵的層次樹約簡算法
4.5.3 實(shí)例分析
4.6 小結(jié)
第5章 加權(quán)TOPSIS的粗糙集偏序關(guān)系全序化
5.1 引 言
5.2 偏序關(guān)系全序化
5.2.1 偏序關(guān)系
5.2.2 基于優(yōu)勢度的偏序關(guān)系全序化
5.2.3 辨識(shí)矩陣方法求取偏序集的局限性
5.3 基于粗糙集和加權(quán)TOPSIS的偏序關(guān)系全序化.
5.3.1 序數(shù)評估分值模型的權(quán)重確定簡化算法
5.3.2 加權(quán)TOPSIS多指標(biāo)評價(jià)原理
5.3.3 應(yīng)用實(shí)例
5.4 小結(jié)
第6章 改進(jìn)的粗糙集在球團(tuán)質(zhì)量數(shù)據(jù)挖掘中的應(yīng)用
6.1 引言
6.2 鏈篦機(jī)一回轉(zhuǎn)窯工藝與球團(tuán)成球質(zhì)量分析
6.2.1 鏈篦機(jī)一回轉(zhuǎn)窯工藝介紹
6.2.2 球團(tuán)成球質(zhì)量參數(shù)分析
6.3 基于粗糙集理論的球團(tuán)成球質(zhì)量規(guī)則提取
6.3.1 條件屬性集合與決策屬性集合的確定
6.3.2 粗糙集決策表的建立
6.3.3 噪聲數(shù)據(jù)的處理
6.3.4 工藝參數(shù)時(shí)序分析
6.3.5 球團(tuán)質(zhì)量屬性約簡
6.3.6 規(guī)則查詢和操作指導(dǎo)
6.4 基于眾數(shù)的粗糙集的球團(tuán)質(zhì)量和參數(shù)相關(guān)性分析
6.4.1基于眾數(shù)的粗糙集模型產(chǎn)生的必要件
6.4.2 基于眾數(shù)的粗糙集模型構(gòu)造
6.4.3 基于眾數(shù)粗糙集球團(tuán)質(zhì)量和參數(shù)相關(guān)性分析實(shí)例
6.5 離散粒子群變精度粗糙集在成球質(zhì)量判斷中的應(yīng)用
6.5.1 基于粒子群的粗糙集約簡方法在成球質(zhì)量判斷中的應(yīng)用
6.5.2 基于粒子群的變精度粗糙集在成球質(zhì)量判斷中的應(yīng)用
6.6 測試結(jié)果分析
6.7 小結(jié)
第7章 粗糙集理論在圖像數(shù)據(jù)挖掘中的應(yīng)用
7.1 引 言
7.2 BP算法的基本原理和局限性
7.2.1 BP算法的基本原理
7.2.2 BP算法的局限性
7.3 基于PSO的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化
7.3.1 用PSo算法優(yōu)化BP網(wǎng)絡(luò)學(xué)習(xí)算法
7.3.2 實(shí)例分析
7.4 粗糙集一粒子群神經(jīng)網(wǎng)絡(luò)的圖像分割
7.4.1 粗糙集一粒子群神經(jīng)網(wǎng)絡(luò)模型
7.4.2 基于粗糙集一粒子群神經(jīng)網(wǎng)絡(luò)的圖像分割
7.5 小結(jié)
第8章 粗糙集在預(yù)混火焰實(shí)驗(yàn)數(shù)據(jù)挖掘中的應(yīng)用
8.1 引 言
8.2 ClH-PLIF測量裝置
8.3 預(yù)混火焰實(shí)驗(yàn)
8.3.1 預(yù)混火焰實(shí)驗(yàn)過程
8.3.2 實(shí)驗(yàn)結(jié)果
8.4 基于粗糙集理論的預(yù)混火焰實(shí)驗(yàn)數(shù)據(jù)挖掘
8.5 小結(jié)
參考文獻(xiàn)