规则挖掘技术 PDF下载

前言
第一章 绪论
 1.1 数据挖掘技术概论
 1.2 规则挖掘技术的研究意义
 1.3 规则挖掘技术的应用领域
 1.4 规则挖掘技术的研究进展及内容
第二章 规则挖掘的相关技术
 2.1 定义
 2.2 规则的类型
 2.2.1 按组织形式划分
 2.2.2 按功能划分
 2.3 面向属性的规则的含义及表示形式
 2.4 面向属性的规则的性质
 2.5 规则挖掘的相关策略前言<；br>；第一章  绪论<；br>；  1.1  数据挖掘技术概论<；br>；  1.2  规则挖掘技术的研究意义<；br>；  1.3  规则挖掘技术的应用领域<；br>；  1.4  规则挖掘技术的研究进展及内容<；br>；第二章  规则挖掘的相关技术<；br>；  2.1  定义<；br>；  2.2  规则的类型<；br>；    2.2.1  按组织形式划分<；br>；    2.2.2  按功能划分<；br>；  2.3  面向属性的规则的含义及表示形式<；br>；  2.4  面向属性的规则的性质<；br>；  2.5  规则挖掘的相关策略<；br>；    2.5.1  来自人思维过程的启示  <；br>；    2.5.2  规则挖掘时遵循的准则  <；br>；    2.5.3  规则挖掘过程中的信息增益<；br>；  2.6  规则挖掘的相关方法<；br>；    2.6.1  综述<；br>；    2.6.2  粗粒度区化法<；br>；    2.6.3  细粒度区化法<；br>；    2.6.4  分类法  <；br>；  2.7  小结<；br>；第三章  一种具有冗余约简能力的规则挖掘机制<；br>；  3.1  传感/施动模型的启发<；br>；  3.2  以信息融合为框架讨论规则挖掘的特点<；br>；  3.3  具有冗余约简能力的规则挖掘机制<；br>；    3.3.1  挖掘能力涉及的内容<；br>；    3.3.2  一种挖掘机制<；br>；    3.3.3  挖掘过程的实现途径分析<；br>；  3.4  小结<；br>；第四章  分明关系约束的格上规则挖掘方法<；br>；  4.1  挖掘方法的基本实现过程<；br>；  4.2  相关定义和性质<；br>；  4.3  方法的实现<；br>；    4.3.1  决策表的预处理<；br>；    4.3.2  粗糙格的构造算法<；br>；    4.3.3  分明关系约束的粗糙格上规则的挖掘算法<；br>；  4.4  小结<；br>；第五章  基于包含度的决策树中规则挖掘方法<；br>；  5.1  挖掘方法的思路<；br>；  5.2  定义<；br>；  5.3  属性值的类化<；br>；  5.4  决策表的预处理<；br>；  5.5  挖掘方法的实现<；br>；    5.5.1  基于分明关系确定构建决策树的最小核集<；br>；    5.5.2  基于粗糙熵确定构建决策树的其他有用条件属性<；br>；    5.5.3  包含度的测度方法<；br>；    5.5.4  基于包含度的决策树构建算法<；br>；    5.5.5  决策树的维护<；br>    5.5.6  从决策树中挖掘规则及规则的信任度量<br>  5.6  冗余规则的简化方法<br>  5.7  小结<br>第六章  两种方法的理论分析与比较<br>  6.1  格上规则挖掘方法间的分析比较<br>    6.1.1  格结点遍历方式的分析<br>    6.1.2  同类格间的性能比较<br>  6.2  决策树中规则挖掘法间的分析比较<br>    6.2.1  建树过程的分析<br>    6.2.2  同类树间时间复杂度与规则信任度的比较<br>  6.3  格与树两种挖掘方法间的异同点<br>  6.4  所研究的方法与应用对象之间的关系<br>  6.5  小结<br>第七章  基于时间序列的规则挖掘方法<br>  7.1  基于时问序列的规则挖掘技术概述<br>    7.1.1  相似搜索<br>    7.1.2  模式挖掘<br>  7.2  一种结构自适应的分段线性化描述方法<br>    7.2.1  结构自适应的时间序列的分段线性化描述<br>    7.2.2  基于分段线性化的时间序列相似性的测量<br>    7.2.3  基于分段线性化表示的时间序列的k-平均聚类算法<br>    7.2.4  仿真实验<br>  7.3  时间序列的平滑处理及离散化方法<br>    7.3.1  移动平均法<br>    7.3.2  低通滤波器法<br>    7.3.3  离散化法<br>  7.4  小结<br>第八章  规则挖掘过程中的分类技术<br>  8.1  一种具有高泛化性能的分类算法<br>    8.1.1  概述<br>    8.1.2  基于正则最小二乘训练的前馈神经网络分类方法  <br>    8.1.3  仿真实验<br>  8.2  一种新的K一最近邻分类算法<br>    8.2.1 K一最近邻分类技术的改进算法<br>    8.2.2  一种新的K一最近邻混合分类算法<br>    8.2.3  仿真实验<br>  8.3  基于带移动窗的神经网络时变数据分类技术<br>    8.3.1  时变数据的最小二乘学习算法<br>    8.3.2  前馈神经网络结构及带移动窗的最小二乘学习算法<br>    8.3.3  仿真实验<br>  8.4  正则化训练的神经网络和粗糙集理论相结合的分类技术<br>    8.4.1  概述<br>    8.4.2  应用于分类技术的粗糙集理论<br>    8.4.3  正则化训练的神经网络和粗糙集理论相结合的时间序列趋势预测<br>    8.4.4  仿真实验<br>  8.5  小结<br>第九章  应用案例<br>  9.1  规则挖掘在水电厂运行态势评估中的重要性<br>    9.1.1  重要性概述<br>    9.1.2  水电厂实时监测的方式与生成规则的信息来源<br>  9.2  规则挖掘机制和方法的应用验证<br>    9.2.1  水电运行仿真机简介<br>    9.2.2  基于动态信息融合思想的水电运行仿真机的设计与实现<br>    9.2.3  采用信任度高的水轮发电机调节系统数学模型<br>    9.2.4  验证案例：主系统线路工况中的规则挖掘及运行状态准确判断<br>  9.3  小结<br>参考文献<br>附录