規(guī)則挖掘技術(shù)

前言
第一章 緒論
1.1 數(shù)據(jù)挖掘技術(shù)概論
1.2 規(guī)則挖掘技術(shù)的研究意義
1.3 規(guī)則挖掘技術(shù)的應(yīng)用領(lǐng)域
1.4 規(guī)則挖掘技術(shù)的研究進(jìn)展及內(nèi)容
第二章 規(guī)則挖掘的相關(guān)技術(shù)
2.1 定義
2.2 規(guī)則的類型
2.2.1 按組織形式劃分
2.2.2 按功能劃分
2.3 面向?qū)傩缘囊?guī)則的含義及表示形式
2.4 面向?qū)傩缘囊?guī)則的性質(zhì)
2.5 規(guī)則挖掘的相關(guān)策略
2.5.1 來(lái)自人思維過(guò)程的啟示
2.5.2 規(guī)則挖掘時(shí)遵循的準(zhǔn)則
2.5.3 規(guī)則挖掘過(guò)程中的信息增益
2.6 規(guī)則挖掘的相關(guān)方法
2.6.1 綜述
2.6.2 粗粒度區(qū)化法
2.6.3 細(xì)粒度區(qū)化法
2.6.4 分類法
2.7 小結(jié)
第三章 一種具有冗余約簡(jiǎn)能力的規(guī)則挖掘機(jī)制
3.1 傳感/施動(dòng)模型的啟發(fā)
3.2 以信息融合為框架討論規(guī)則挖掘的特點(diǎn)
3.3 具有冗余約簡(jiǎn)能力的規(guī)則挖掘機(jī)制
3.3.1 挖掘能力涉及的內(nèi)容
3.3.2 一種挖掘機(jī)制
3.3.3 挖掘過(guò)程的實(shí)現(xiàn)途徑分析
3.4 小結(jié)
第四章 分明關(guān)系約束的格上規(guī)則挖掘方法
4.1 挖掘方法的基本實(shí)現(xiàn)過(guò)程
4.2 相關(guān)定義和性質(zhì)
4.3 方法的實(shí)現(xiàn)
4.3.1 決策表的預(yù)處理
4.3.2 粗糙格的構(gòu)造算法
4.3.3 分明關(guān)系約束的粗糙格上規(guī)則的挖掘算法
4.4 小結(jié)
第五章 基于包含度的決策樹中規(guī)則挖掘方法
5.1 挖掘方法的思路
5.2 定義
5.3 屬性值的類化
5.4 決策表的預(yù)處理
5.5 挖掘方法的實(shí)現(xiàn)
5.5.1 基于分明關(guān)系確定構(gòu)建決策樹的最小核集
5.5.2 基于粗糙熵確定構(gòu)建決策樹的其他有用條件屬性
5.5.3 包含度的測(cè)度方法
5.5.4 基于包含度的決策樹構(gòu)建算法
5.5.5 決策樹的維護(hù)
5.5.6 從決策樹中挖掘規(guī)則及規(guī)則的信任度量
5.6 冗余規(guī)則的簡(jiǎn)化方法
5.7 小結(jié)
第六章 兩種方法的理論分析與比較
6.1 格上規(guī)則挖掘方法間的分析比較
6.1.1 格結(jié)點(diǎn)遍歷方式的分析
6.1.2 同類格間的性能比較
6.2 決策樹中規(guī)則挖掘法間的分析比較
6.2.1 建樹過(guò)程的分析
6.2.2 同類樹間時(shí)間復(fù)雜度與規(guī)則信任度的比較
6.3 格與樹兩種挖掘方法間的異同點(diǎn)
6.4 所研究的方法與應(yīng)用對(duì)象之間的關(guān)系
6.5 小結(jié)
第七章 基于時(shí)間序列的規(guī)則挖掘方法
7.1 基于時(shí)問(wèn)序列的規(guī)則挖掘技術(shù)概述
7.1.1 相似搜索
7.1.2 模式挖掘
7.2 一種結(jié)構(gòu)自適應(yīng)的分段線性化描述方法
7.2.1 結(jié)構(gòu)自適應(yīng)的時(shí)間序列的分段線性化描述
7.2.2 基于分段線性化的時(shí)間序列相似性的測(cè)量
7.2.3 基于分段線性化表示的時(shí)間序列的k-平均聚類算法
7.2.4 仿真實(shí)驗(yàn)
7.3 時(shí)間序列的平滑處理及離散化方法
7.3.1 移動(dòng)平均法
7.3.2 低通濾波器法
7.3.3 離散化法
7.4 小結(jié)
第八章 規(guī)則挖掘過(guò)程中的分類技術(shù)
8.1 一種具有高泛化性能的分類算法
8.1.1 概述
8.1.2 基于正則最小二乘訓(xùn)練的前饋神經(jīng)網(wǎng)絡(luò)分類方法
8.1.3 仿真實(shí)驗(yàn)
8.2 一種新的K一最近鄰分類算法
8.2.1 K一最近鄰分類技術(shù)的改進(jìn)算法
8.2.2 一種新的K一最近鄰混合分類算法
8.2.3 仿真實(shí)驗(yàn)
8.3 基于帶移動(dòng)窗的神經(jīng)網(wǎng)絡(luò)時(shí)變數(shù)據(jù)分類技術(shù)
8.3.1 時(shí)變數(shù)據(jù)的最小二乘學(xué)習(xí)算法
8.3.2 前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及帶移動(dòng)窗的最小二乘學(xué)習(xí)算法
8.3.3 仿真實(shí)驗(yàn)
8.4 正則化訓(xùn)練的神經(jīng)網(wǎng)絡(luò)和粗糙集理論相結(jié)合的分類技術(shù)
8.4.1 概述
8.4.2 應(yīng)用于分類技術(shù)的粗糙集理論
8.4.3 正則化訓(xùn)練的神經(jīng)網(wǎng)絡(luò)和粗糙集理論相結(jié)合的時(shí)間序列趨勢(shì)預(yù)測(cè)
8.4.4 仿真實(shí)驗(yàn)
8.5 小結(jié)
第九章 應(yīng)用案例
9.1 規(guī)則挖掘在水電廠運(yùn)行態(tài)勢(shì)評(píng)估中的重要性
9.1.1 重要性概述
9.1.2 水電廠實(shí)時(shí)監(jiān)測(cè)的方式與生成規(guī)則的信息來(lái)源
9.2 規(guī)則挖掘機(jī)制和方法的應(yīng)用驗(yàn)證
9.2.1 水電運(yùn)行仿真機(jī)簡(jiǎn)介
9.2.2 基于動(dòng)態(tài)信息融合思想的水電運(yùn)行仿真機(jī)的設(shè)計(jì)與實(shí)現(xiàn)
9.2.3 采用信任度高的水輪發(fā)電機(jī)調(diào)節(jié)系統(tǒng)數(shù)學(xué)模型
9.2.4 驗(yàn)證案例：主系統(tǒng)線路工況中的規(guī)則挖掘及運(yùn)行狀態(tài)準(zhǔn)確判斷
9.3 小結(jié)
參考文獻(xiàn)
附錄