基于粗糙集的知识发现方法研究

基于粗糙集的知识发现方法研究

论文摘要

粗糙集理论是一种新型的处理模糊和不确定数据的数学工具。本文对基于粗糙集理论的知识发现方法进行了研究,主要工作包括:(1)对粗糙集和统计关系学习研究进行了综述;(2)对基于含序粗糙集的数据挖掘方法进行了研究,给出了新的近似分类质量公式,提出了含序规则生成算法GRS与改进算法IGRS,并对GRS和IGRS算法进行了理论分析和实验比较;(3)研究了面向不完备数据的粗糙集扩展关系模型,结合限制相容关系和量化相容关系之特点,提出了限制量化相容关系,给出相关定义和证明;(4)研究了基于粗糙集的统计关系学习方法,改进完善了结合粗糙集与归纳逻辑程序设计的模型RSILP,并给出了相应证明;(5)设计并实现了一个基于粗糙集的知识发现原型系统。本文的研究结果对基于粗糙集的知识发现方法研究有一定的理论意义和应用价值。

论文目录

  • 内容提要
  • 第一章 绪论
  • 1.1 数据挖掘
  • 1.1.1 数据挖掘概念
  • 1.1.2 数据挖掘步骤
  • 1.1.3 数据挖掘任务
  • 1.1.4 数据挖掘方法
  • 1.1.5 数据挖掘研究现状
  • 1.2 粗糙集理论
  • 1.2.1 粗糙集的起源和发展
  • 1.2.2 粗糙集的研究现状
  • 1.2.3 粗糙集与不确定性
  • 1.3 本文主要工作和组织结构
  • 1.3.1 本文主要工作
  • 1.3.2 本文组织结构
  • 第二章 粗糙集基本理论
  • 2.1 引言
  • 2.2 预备知识
  • 2.3 知识和划分
  • 2.3.1 知识、知识库与划分
  • 2.3.2 知识的等价、泛化与特化
  • 2.4 近似与精确性
  • 2.4.1 上近似与下近似
  • 2.4.2 精确性度量
  • 2.4.3 划分的近似
  • 2.5 知识约简
  • 2.5.1 约简与核
  • 2.5.2 相对约简与相对核
  • 2.5.3 知识依赖性
  • 2.6 信息系统和决策系统
  • 2.6.1 信息系统
  • 2.6.2 决策系统
  • 2.6.3 约简基本算法
  • 2.7 小结
  • 第三章 基于含序粗糙集方法CORS的研究
  • 3.1 引言
  • 3.1.1 问题背景
  • 3.1.2 相关研究
  • 3.1.3 本章工作
  • 3.2 含序粗糙集方法理论
  • 3.2.1 有序决策表
  • 3.2.2 上近似和下近似
  • 3.3 基于CORS的数据分析
  • 3.3.1 对近似分类质量公式的改进
  • 3.3.2 规则种类与规则产生原则
  • 3.4 规则生成算法GRS和IGRS
  • 3.4.1 关于规则的概念
  • 3.4.2 规则生成算法GRS
  • 3.4.3 规则生成算法IGRS
  • 3.5 算法GRS和IGRS性能分析和实验
  • 3.5.1 算法GRS与算法IGRS的实验分析
  • 3.5.2 对算法IGRS的进一步分析
  • 3.5.3 对其它含序算法的分析
  • 3.6 小结
  • 第四章 面向不完备数据的粗糙集扩展关系研究
  • 4.1 引言
  • 4.1.1 问题的提出
  • 4.1.2 相关研究
  • 4.1.3 本章工作
  • 4.2 已有扩展关系模型
  • 4.2.1 相容关系
  • 4.2.2 非对称相似关系
  • 4.2.3 量化相容关系
  • 4.2.4 限制相容关系
  • 4.3 限制量化相容关系模型
  • 4.3.1 限制量化相容关系
  • 4.3.2 对限制量化相容关系的分析
  • 4.3.3 对扩展模型有效性的分析
  • 4.4 小结
  • 第五章 基于粗糙集的统计关系学习方法研究
  • 5.1 引言
  • 5.1.1 问题背景
  • 5.1.2 本章工作
  • 5.2 统计关系学习
  • 5.2.1 统计关系学习概念
  • 5.2.2 统计关系学习方法
  • 5.2.3 统计关系学习应用
  • 5.2.4 结合RS与ILP的多关系学习方法研究现状
  • 5.3 RS与ILP结合模型
  • 5.3.1 归纳逻辑程序设计方法
  • 5.3.2 gRS-ILP模型
  • 5.3.3 VPRSILP模型
  • 5.3.4 cVPRSILP模型
  • 5.4 对RSILP模型的改进
  • 5.4.1 粗配置ILP
  • 5.4.2 S的近似、β区域和重要初等集
  • 5.5 基于粗糙集的其它多关系学习方法
  • 5.6 小结
  • 第六章 基于粗糙集的知识发现原型系统
  • 6.1 引言
  • 6.2 原型系统设计
  • 6.2.1 系统设计概述
  • 6.2.2 系统结构
  • 6.2.3 系统详细描述
  • 6.3 各子系统的设计与部分实现
  • 6.3.1 含序规则挖掘子系统
  • 6.3.2 基于扩展关系的子系统
  • 6.4 小结
  • 第七章 结束语
  • 7.1 主要工作
  • 7.2 工作展望
  • 参考文献
  • 作者攻读博士期间发表的论文与参加的项目
  • 致谢
  • 摘要
  • ABSTRACT
  • 相关论文文献

    • [1].2008自然计算与模糊系统和知识发现国际会议[J]. 国际学术动态 2009(06)
    • [2].2008国际自然计算会议暨模糊系统与知识发现会议[J]. 国际学术动态 2009(01)
    • [3].知识发现与统计认识[J]. 中国统计 2020(03)
    • [4].大学课程新使命:再造知识发现、加工与传播的连续体[J]. 清华大学教育研究 2020(04)
    • [5].大数据环境下知识发现研究的变化及其发展趋向[J]. 数字图书馆论坛 2018(05)
    • [6].公众科学项目中知识发现的流程及内在机理研究[J]. 情报资料工作 2018(05)
    • [7].欢迎订阅2017年《数据分析与知识发现》(月刊)[J]. 数据分析与知识发现 2017(01)
    • [8].大数据知识发现的马克思主义追问[J]. 佳木斯大学社会科学学报 2017(05)
    • [9].基于数据挖掘技术的知识发现系统[J]. 科技创新导报 2017(21)
    • [10].《数据分析与知识发现》期刊征文[J]. 数据分析与知识发现 2020(Z1)
    • [11].《数据分析与知识发现》期刊征文[J]. 数据分析与知识发现 2020(05)
    • [12].《数据分析与知识发现》期刊征文[J]. 数据分析与知识发现 2020(08)
    • [13].《数据分析与知识发现》征文通知[J]. 数据分析与知识发现 2020(07)
    • [14].近年来我国图书馆知识发现研究的知识图谱分析[J]. 河南图书馆学刊 2018(09)
    • [15].《数据分析与知识发现》期刊征文[J]. 现代图书情报技术 2016(12)
    • [16].新信息环境下知识发现系统的创新探索[J]. 新世纪图书馆 2017(01)
    • [17].《数据分析与知识发现》期刊征文[J]. 数据分析与知识发现 2017(01)
    • [18].《数据分析与知识发现》期刊征文[J]. 数据分析与知识发现 2017(06)
    • [19].《数据分析与知识发现》期刊征文[J]. 数据分析与知识发现 2017(09)
    • [20].《数据分析与知识发现》期刊征文[J]. 数据分析与知识发现 2020(10)
    • [21].图书馆知识发现系统建设与应用研究[J]. 图书馆工作与研究 2014(02)
    • [22].图书馆知识发现系统应用状况分析[J]. 科技情报开发与经济 2013(16)
    • [23].一种面向知识服务的领域知识发现流程及实例研究[J]. 情报学报 2015(01)
    • [24].图书馆利用数据实现知识发现的思考[J]. 公共图书馆 2019(03)
    • [25].图书馆知识发现系统与用户交互模型构建[J]. 情报资料工作 2018(04)
    • [26].基于概念的知识发现系统研究与设计[J]. 公安海警学院学报 2015(01)
    • [27].面向知识发现的术语关联基础平台研究[J]. 上海高校图书情报工作研究 2014(03)
    • [28].图书情报学的专门研究方法——基于非相关文献的知识发现方法[J]. 内蒙古科技与经济 2012(14)
    • [29].自然计算以及模糊系统和知识发现学术研讨[J]. 国际学术动态 2016(03)
    • [30].基于知识发现的数字图书馆知识服务研究[J]. 出版广角 2019(08)

    标签:;  ;  ;  ;  ;  ;  ;  ;  

    基于粗糙集的知识发现方法研究
    下载Doc文档

    猜你喜欢