Rough集理論與知識獲取

前言
第1章 集合論基礎
1.1 集合論的基本概念
1.2 集合代數運算
1.3 集合關系
第2章 信息表知識表達系統(tǒng)
2.1 知識的分類概念
2.2 信息表知識表達系統(tǒng)
2.3 決策表
第3章 Rough集理論基礎
3.1 Rough集的基本概念
3.2 Rough度與分類質量
3.3 Rough集代數性質
3.4 Rough集關系
3.5 可變精度Rough集模型
3.6 不完備信息系統(tǒng)中Rough集理論的擴充
3.6.1 不完備信息系統(tǒng)的特點
3.6.2 容差關系
3.6.3 非對稱相似關系
3.6.4 量化容差關系
第4章 知識獲取
4.1 知識獲取概述
4.2 基于Rough集的知識獲取
4.2.1 可辨識矩陣
4.2.2 屬性重要性
4.3 決策規(guī)則
第5章 知識系統(tǒng)不確定性表示與處理
5.1 知識表示
5.2 不確定知識系統(tǒng)的幾種推理方法
5.2.1 概率模型
5.2.2 可信度模型
5.2.3 證據理論
5.2.4 模糊推理
5.3 決策表的不確定性度量
5.4 決策規(guī)則的不確定性表示與度量
第6章 數據預處理
6.1 決策表補齊
6.1.1 Mean Completer算法
6.1.2 Combinatorial Completer算法
6.1.3 基于Rough集理論的不完備數據分析方法（ROUSTIDA）
6.2 決策表離散化
6.2.1 離散化問題的描述
6.2.2 離散化問題的分類分析
6.2.3 離散化算法介紹
6.2.3.1 等距離劃分算法
6.2.3.2 等頻率劃分算法
6.2.3.3 Naive Scaler算法
6.2.3.4 Semi Naive Scaler算法
6.2.3.5 布爾邏輯和Rough集理論相結合的離散化算法
6.2.3.6 基于斷點重要性的離散化算法
6.2.3.7 基于屬性重要性的離散化算法
第7章 決策表屬性約簡
7.1 決策表屬性約簡概述
7.2 決策表屬性約簡的信息熵表示
7.3 決策表屬性約簡算法
7.3.1 一般約簡算法
7.3.2 基于可辨識矩陣和邏輯運算的屬性約簡算法
7.3.3 歸納屬性約簡算法
7.3.4 基于互信息的屬性約簡算法——MIBARK算法
7.3.5 基于特征選擇的屬性約簡算法
7.4 不完備信息系統(tǒng)的屬性約簡
7.4.1 容差關系
7.4.2 非對稱相似關系
7.4.3 量化容差關系
第8章 決策表值約簡
8.1 決策表值約簡概述
8.2 決策表值約簡算法
8.2.1 一般值約簡算法
8.2.2 歸納值約簡算法
8.2.3 啟發(fā)式值約簡算法
8.2.4 基于決策矩陣的值約簡算法
8.3 缺省規(guī)則獲取算法
第9章 邏輯推理系統(tǒng)
9.1 邏輯推理方法
9.1.1 正向推理
9.1.2 逆向推理
9.1.3 混合推理
9.2 知識表示系統(tǒng)的不一致性
9.3 不一致推理策略
9.3.1 加權綜合法
9.3.2 試探法
9.3.3 高信任度優(yōu)先法
9.3.4 多數優(yōu)先原則
9.3.5 少數優(yōu)先原則
第10章 實例系統(tǒng)分析
10.1 水資源調度系統(tǒng)
10.1.1 系統(tǒng)概述
10.1.2 數據采集和表示
10.1.3 數據分析
10.1.4 規(guī)則生成
10.1.5 實驗結果
10.1.6 討論
10.2 臨床醫(yī)療診斷系統(tǒng)
10.2.1 臨床診斷概述
10.2.2 概率規(guī)則
10.2.3 規(guī)則獲取算法
10.2.4 實驗結果
10.2.5 討論
10.3 市場潛在客戶預測
10.3.1 系統(tǒng)概述
10.3.2 知識獲取過程
10.3.3 實驗結果
10.3.4 討論
10.4 信息過濾與信息檢索
10.4.1 系統(tǒng)簡介
10.4.2 文本分類
10.4.3 基于Rough集的文本分類系統(tǒng)
10.4.4 實驗結果
10.4.5 討論
10.5 電信信道噪音抑制
10.5.1 概述
10.5.2 生理學原理
10 5.3 知覺噪音抑制系統(tǒng)的描述
10 5.4 噪音抑制系統(tǒng)的實現
10.5.5 仿真實驗
10.5.6 討論
第11章 Rough集理論的實驗系統(tǒng)
11.1 Rough Enough
11.2 ROSE
11.3 Rosetta
11.4 KDD－R
11.5 LERS
參考文獻