粗糙集理論及其數據挖掘應用

第1章 導言
1.1 問題的提出
1.2 粗糙集理論及其研究現狀
1.3 球團生產系統(tǒng)數據挖掘
1.3.1 球團生產系統(tǒng)概述
1.3.2 鏈篦機——回轉窯一環(huán)冷機工藝流程
1.3.3 粗糙集理論在質量數據挖掘中的應用現狀
1.4 粗糙集理論在圖像數據挖掘中的應用現狀
1.5 主要研究思路及內容安排
1.5.1 主要研究思路
1.5.2 內容安排
第2章 粗糙集約簡及改進算法
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施
2.7 算例分析
2.8 小結
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
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 閾值口對變精度粗糙規(guī)則集的影響
3.4 離散粒子群(DPSO)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 實例分析
3.5 對比分析
3.6 小結
第4章 層次樹模型在粗糙集約簡中的應用
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 知識粒度
4.2.4 引入粗糙度的粗糙熵
4.2.5 改進的粗糙熵
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 實例分析
4.6 小結
第5章 加權TOPSIS的粗糙集偏序關系全序化
5.1 引言
5.2 偏序關系全序化
5.2.1 偏序關系
5.2.2 基于優(yōu)勢度的偏序關系全序化
5.2.3 辨識矩陣方法求取偏序集的局限性
5.3 基于粗糙集和加權TOPSIS的偏序關系全序化
5.3.1 序數評估分值模型的權重確定簡化算法
5.3.2 加權IOPSIS多指標評價原理
5.3.3 應用實例
5.4 小結
第6章改進的粗糙集在球團質量數據挖掘中的應用
6.1 引言
6.2 鏈篦機——回轉窯工藝與球團成球質量分析
6.2.1 鏈篦機——回轉窯工藝介紹
6.2.2 球團成球質量參數分析
6.3 基于粗糙集理論的球團成球質量規(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 噪聲數據的處理
6.3.4 工藝參數時序分析
6.3.5 球團質量屬性約簡
6.3.6 規(guī)則查詢和操作指導
6.4 基于眾數的粗糙集的球團質量和參數相關性分析
6.4.1 基于眾數的粗糙集模型產生的必要性
6.4.2 基于眾數的粗糙集模型構造
6.4.3 基于眾數粗糙集球團質量和參數相關性分析實例
6.5 離散粒子群變精度粗糙集在成球質量判斷中的應用
6.5.1 基于粒子群的粗糙集約簡方法在成球質量判斷中的應用
6.5.2 基于粒子群的變精度粗糙集在成球質量判斷中的應用
6.6 測試結果分析
6.7 小結
第7章 粗糙集理論在圖像數據挖掘中的應用
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神經網絡優(yōu)化
7.3.1 用PSO算法優(yōu)化BP網絡學習算法
7.3.2 實例分析
7.4 粗糙集——粒子群神經網絡的圖像分割
7.4.1 粗糙集——粒子群神經網絡模型
7.4.2 基于粗糙集——粒子群神經網絡的圖像分割
7.5 小結
第8章 粗糙集在預混火焰實驗數據挖掘中的應用
8.1 引言
8.2 0H-PLIF測量裝置
8.3 預混火焰實驗
8.3.1 預混火焰實驗過程
8.3.2 實驗結果
8.4 基于粗糙集理論的預混火焰實驗數據挖掘
8.5 小結
參考文獻