规则挖掘技术

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