基于粗糙集的多分类器组合及其在知识发现中的应用研究

论文摘要

知识发现与数据挖掘究其本质讲是一种机器学习。分类是许多机器学习问题解决的基础。随着科技的不断进步和研究的进一步深入,单分类器已不能满足人们的应用要求,在这种情况下,多分类器组合便成为解决分类问题的一种重要的手段。本文深入讨论了多分类器组合及知识发现与数据挖掘中存在的问题,结合基于知识库的知识发现研究探讨了用粗糙集理论进行知识发现的模型和方法。　总结起来,本文做了如下几个方面的研究工作:　u 提出了一种基于知识库的知识发现模型,是一种高效的基于知识库的机器学习方法,能更好地发现知识库中的知识。该模型可以对超大数据库进行分段/分块处理,也可以推广到分布式数据挖掘上来,在增量式学习和异种数据源的处理上也是可以胜任的; u 本文给出了相应的基于粗糙集的改进算法,对规则知识作了试验工作并给出了试验的结果,表明本文给出的改进算法的可行性和有效性。u 在对规则知识的矛盾、冲突等处理上也给出了自己的办法,改进目前研究中的一些不足,提高了知识的精度。u 本文提出的模型及相应的改进算法工作主要集中在对知识库的一种更深层次的知识发现,而不同于KDD&K 机制,因为后者主要是对发现的知识进行学习,反过来又指导KDD 过程。u 将粗糙集理论引入到了基于知识库的知识发现中并取得了良好的效果。粗糙集理论较一些常用的知识发现与数据挖掘方法有很多优势,比如不需要先验知识,算法简单,易于操作等。

论文目录

• 摘要
• Abstract
• 第一章 概论
• 1.1 引言
• 1.2 研究背景
• 1.3 研究动态评述
• 1.3.1 多分类器组合的研究动态评述
• 1.3.2 基于知识库的知识发现研究动态评述
• 1.4 本文主要的研究工作
• 1.5 论文结构
• 第二章 基于粗糙集理论的数据挖掘及在知识库中的知识发现
• 2.1 数据挖掘与知识发现
• 2.1.1 数据挖掘意义及任务
• 2.1.2 数据挖掘的一般方法及步骤
• 2.1.3 数据挖掘的趋势
• 2.2 基于粗糙集理论的数据挖掘
• 2.2.1 粗糙集的基本思想
• 2.2.2 粗糙集的基本算法及其时间复杂度分析
• 2.2.3 KDD及基于RS理论的KDD存在的问题
• 第三章 基于RS理论的多分类器组合及其在知识发现中的研究
• 3.1 问题的描述
• 3.1.1 问题的背景
• 3.1.2 问题的描述模型
• 3.2 模型思想
• 3.2.1 模型的图描述
• 3.2.2 模型说明
• 3.3 改进算法的提出
• 3.3.1 算法的基础说明
• 3.3.2 改进算法的提出
• 3.3.3 算法的实例说明
• 第四章 原型系统的设计及实现
• 4.1 试验设计思想
• 4.2 试验原型系统的开发与实现
• 4.3 试验数据及试验思路说明
• 4.3.1 数据采集及其说明
• 4.3.2 试验思路
• 4.4 系统实现及系统运行介绍
• 4.5 结果及分析
• 第五章 结束语
• 5.1 总结
• 5.2 进一步工作
• 5.3 体会与展望
• 致谢
• 参考文献
• 附录（读研期间文章发表及科研项目情况）