基于粗糙集理论的关联知识发现-自动化基础-论文之家

您现在的位置：硕士论文 >> 电子论文 >> 自动化 >> 自动化基础 >> 正文

基于粗糙集理论的关联知识发现

Form: 论文之家作者：王天志 Publish: 2005-10-10 Hits:-

【中文题名】

基于粗糙集理论的关联知识发现

【英文题名】

Association Knowledge Mining Based on Rough Sets

【学科专业】

计算机软件与理论

【论文级别】

硕士论文

【投稿时间】

2005-10-10

【中关键词】

离散化,等价类,属性约简,联合熵,二进制表示,兴趣度

【英关键词】

dispersing,equal class,attribute reduction,united entropy,binary system expression,interesting,accuracy,

【分类导航】

工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>专家系统、知识工程>

【论文摘要】

粗糙集理论是一种新的处理模糊和不确定性知识的数学工具。其主要思想是在保持分类能力不变的前提下,通过知识约简,导出问题的决策或分类规则。它与其他处理不确定性问题理论的最显著的区别是它无需提供问题所需处理的数据以外的任何先验信息。粗糙集理论认为知识就是人类和其他物种所固有的分类能力,粗糙集的一大优势就是其极强的分类能力 [史忠植,2002]。传统的关联规则挖掘算法没有对数据集进行属性的约简,这将导致挖掘出的关联规则可能存在大量的冗余,不利于决策者的结果分析和决策。而且传统关联规则挖掘算法仅适用于布尔型(定性)的关联规则的挖掘,不能直接进行定量的规则挖掘。有鉴于粗糙集的这些优势,粗糙集理论便被运用于关联规则的挖掘中。将粗糙集理论运用于关联规则的挖掘大致经历以下过程:预处理——将连续属性离散化,处理矛盾信息等, 属性约简——包括两个过程,属性集的约简和属性值的约简,规则提取——关联挖掘。论文主要工作: (1)对知识表达理论应用于粗糙集理论进行了研究,引用了知识量、平均知识量、熵和联合熵等概念,并将联合熵,即条件属性集和决策属性集的联...

【论文题纲】

1.基于粗糙集理论的关联知识发现	5-37
目录	5-6
摘要	6-7
第一章粗糙集和知识表达度量理论的基本概念和原理	7-14
1.1 引言	7-9
1.1.1 粗糙集的应用领域	7-8
1.1.1.1 分类规则提取	7-8
1.1.1.2 数据归约	8
1.1.2 粗糙集理论与其他方法的融合	8-9
1.2 知识与知识表达	9
1.3 基本定义和原理	9-10
1.4 支持度	10-11
1.5 知识表达度量理论基本概念	11-14
第二章数据预处理——连续属性离散化	14-19
2.1 连续属性离散化后的联合熵变化	14-15
2.2 基本算法	15-17
2.3 增类减类离散化算法的改进	17-19
第三章知识约简	19-23
3.1 知识约简基本概念	19-20
3.2 属性重要性	20
3.3 知识约简原理	20-23
第四章关联知识发现	23-27
4.1 有效关联规则理论	23-24
4.2 规则统计过滤	24-26
4.3 关联规则挖掘算法	26-27
第五章试验分析	27-30
5.1 试验步骤	27
5.2 试验采用的数据	27-28
5.3 试验结果	28
5.4 试验结果分析	28-30
第六章总结和展望	30-31
6.1 论文总结	30
6.2 粗糙集理论在数据挖掘中的应用展望	30-31
参考文献：	31-37
2.Association Knowledge Mining Based on Rough Sets	37-71
Abstract	38-40
Chapter 1 Basic Concept and Principle of Rough Set	40-49
1.1 Introduction	40-43
1.1.1 Application Field of Rough Set	40-42
1.1.1.1 Pick-up Sorting Rules	40-41
1.1.1.2 Data Reduction	41-42
1.1.2 Fusing the Rough Set Theory and other method	42-43
1.1.3 The Classification of Application of the Rough Set Theory	43
1.2 Knowledge and Knowledge Expression	43-44
1.3 Basic Definition and Principle	44
1.4 Info Entropy,Sustainability	44-46
1.5 Basic Concept of Knowledge Expression Measurement Theory	46-49
Chapter 2 Data Pretreatment—Dispersing of Successive Attribute	49-56
2.1 The Change of the United Entropy by Dispersing Successive Attribute	50-51
2.2 Basic Algorithm	51-53
2.3 Improvement on Dispersing Algorithm by Increasing and Reducing Classes	53-56
Chapter 3 Knowledge Reduction	56-61
3.1 Basic Concept of Knowledge Reduction	56-57
3.2 Essentiality of Attribute	57-58
3.3 Principle of Knowledge Reduction	58-61
Chapter 4 Association Knowledge Discovery	61-66
4.1 Efficient Association Rule Theory	61-62
4.2 Rule Filtrating by Stat.--Pick-up Association Rules Based on Binary System	62-65
4.3 Association Rule Algorithm	65-66
Chapter 5 Trial Analysis	66-69
5.1 Trial Approach	66
5.2 Trial Data	66-67
5.3 Trial Result	67-68
5.4 Analysis of Trial Result	68-69
Chapter 6	69-71
6.1 Paper Summary	69
6.2 Prospect of the Rough Set Theory's Application in Data Mining	69-71
3.面向信息系统的关联规则挖掘研究	71-125
目录	71-73
前言	73-74
第一部分数据库中的知识发现和数据挖掘概述	74-92
第一章在数据库的知识发现(KDD)	74-82
1.1 KDD基本概念	74-75
1.2 KDD的起源	75-76
1.3 KDD研究现状	76
1.4 KDD的一般机理	76
1.5 主要研究方法	76-77
1.6 抽取知识的类型和表示	77
1.7 KDD系统的基本框架	77-78
1.8 KDD的挖掘模式	78-80
1.8.1 关联模式(Association Model)	79
1.8.2 分类模式(Classification Model)	79
1.8.3 聚类模式(Clustering Model)	79
1.8.4 回归模式(Regression Model)	79-80
1.8.5 序列模式(Sequence Modell)	80
1.9 典型方法及工具	80-82
第二章数据挖掘概述	82-92
2.1 DM概念	82-83
2.2 主要研究方法	83-89
2.2.1 分类模式(Classification Model)	83-85
2.2.2 聚类分析模式(Clustering Analysis Method)	85-88
2.2.3 回归模式(Regression)	88
2.2.4 关联模式(Association Model)	88
2.2.5 序列模式(Sequential Model)	88
2.2.6 偏差模式(Deviation Model)	88-89
2.3 数据挖掘的常用方法	89-92
2.3.1 模糊方法(Fuzzy Method)	89
2.3.2 粗糙集理论(Rough Set Theory)	89
2.3.3 云理论(Cloud Theory)	89-90
2.3.4 证据理论(Evidence Theory)	90
2.3.5 人工神经网络(Artificial Neural Network,ANN)	90
2.3.6 遗传算法(Genetic Algorithm,GA)	90-91
2.3.7 归纳学习(Induction Learning)	91-92
第二部分粗糙集理论	92-105
第三章粗糙集基本理论	93-102
3.1 基本概念	93-94
3.2 区分矩阵与区分函数	94
3.3 连续属性离散化	94-97
3.3.1 现有的离散化方法分类：	95
3.3.2 典型的属性离散化算法	95-97
3.4 信息熵	97-99
3.5 知识的依赖性	99-100
3.6 属性约简	100-102
第四章知识表达理论	102-105
4.1 Agent与知识的相关概念	102
4.2 基于Agent的知识表达度量理论	102-105
4.2.1 知识量(Knowledge Quantum)	102-103
4.2.2 熵(Entropy)	103
4.2.3 等价知识基元个数	103-105
第三部分关联规则挖掘	105-125
第五章关联规则AR挖掘的原理和步骤	105-108
5.1 基本概念和问题描述	105-106
5.2 AR选择的技术标准	106-107
5.3 AR挖掘的步骤	107-108
第六章 AR挖掘的分类及算法研究	108-113
6.1 AR挖掘的分类	108
6.2 主要研究方向和典型算法分析	108-113
6.2.1 多循环方式的采掘算法	108-109
6.2.2 增量式更新算法	109-110
6.2.3 核心算法	110-111
6.2.4 频集算法的几种优化方法	111-113
第七章有效关联规则挖掘	113-121
7.1 语义关联规则	113-115
7.2 有效关联规则	115-121
第八章基于粗糙集的关联规则挖掘	121-125
8.1 传统关联规则挖掘的不足	121
8.2 粗糙集理论应用于关联规则挖掘的优势	121-122
8.3 基于粗糙集的关联规则挖掘的一般步骤	122
8.4 典型算法	122-125
4.Association Rules Mining Research Facing to Info System	125-182
Preface	127-128
Part 1 Knowledge Discovery in Database and Summary of Data Mining	128-150
Chapter 1 Knowledge Discovery in Database(KDD)	128-138
1.1 Basic Concept of KDD	128-129
1.2 Origin of KDD	129-130
1.3 Present Research on KDD	130-131
1.4 the General Mechanism of KDD	131
1.5 Major Research Techniques	131-132
1.6 Type and Expression of Collecting Knowledge	132-133
1.7 Basic Frame of KDD System	133-134
1.8 Mode of KDD Mining	134-136
1.8.1 Association Model	134-135
1.8.2 Classification Model	135
1.8.3 Clustering Model	135
1.8.4 Regression Model	135
1.8.5 Sequence Model	135-136
1.9 Typical Methods and Tools	136-138
Chapter 2 Summary of Data Mining	138-150
2.1 DM Concept	138-139
2.2 Main Research Approaches	139-146
2.2.1 Classification Model	139-142
2.2.2 Clustering Analysis Method	142-145
(1) Partitioning Method	143-144
(2) Hierarchical Method	144
(3) Density-based Method	144
(4) Grid-based Method	144
(5) Model-based Method	144-145
(6) Outlier Mining	145
2.2.3 Regression	145
2.2.4 Association Model	145-146
2.2.5 Sequential Model	146
2.2.6 Deviation Model	146
2.3 Method of DM in Common Use	146-150
2.3.1 Fuzzy Method	146
2.3.2 Rough Set Theory	146-147
2.3.3 Cloud Theory	147-148
2.3.4 Evidence Theory	148
2.3.5 Artificial Neural Network(ANN)	148
2.3.6 Genetic Algorithm(GA)	148-149
2.3.7 Induction Learning	149-150
Part 2 Rough Set Theory	150-165
Chapter 3 Basic Theory of RS	151-162
3.1 Basic Concept	151-152
3.2 Distingui shment Matrix and Distinguishment Function	152-153
3.3 Dispersing of Successive Attributes	153-155
3.3.1 Classification of Dispersing Method in Exisitence:	153
3.3.2 Typical Dispersing Algorithm	153-155
3.4 Info Entropy	155-158
3.5 Dependence of Knowledge	158-159
3.6 Attribute Reduction	159-162
Chapter 4 Knowledge Expression Theory	162-165
4.1 Correlation Concept of Agent and Knowledge	162
4.2 Knowledge Expression Measurement Theory Based on Agent	162-165
4.2.1 Knowledge Quantum	162-163
4.2.2 Entropy	163
4.2.3 Number of Basic Element of Equivalence Knowledge	163-165
Part 3 Association Rule	165-182
Chapter 5 Principle and Approach of Assiciation Rules Mining	165-168
5.1 Basic Concept and Issue Description	165-166
5.2 Technique Criterion of AR	166-167
5.3 Approach of AR Mining	167-168
Chapter 6 Classification and Algorithm Rearsh of AR Mining	168-173
6.1 Classification of AR Mining	168-169
6.2 Main Research Orientation and Typical Algorithm Analysis	169-173
6.2.1 Excavation Algorithm of Many Cycle Mode	169-170
6.2.2 Increment Mode Updating Algorithm	170
6.2.3 Kernel Algorithm	170-171
6.2.4 Several Optimiztion Methods of Frequency Set	171-173
Chapter 7 Effective Association Rule Mining	173-180
7.1 Semantic Association Rule	173-175
7.2 Effective Association Rule	175-180
Chapter 8 Association Rules Mining Based on RS	180-182
8.1 Shortcoming of Traditional Association Rule Mining	180
8.2 Superiority of RS Applied to Association Rule Mining	180-181
8.3 Commonly Process of Association Rule Mining Based on RS	181
8.4 Typical Algorithm	181-182

【DOI】

LunWen.ID:2.2008.387518



付费论文：有参考文献 300元

1、注册会员 2、购买本文 3、下载文章
注:此文为收费论文，需付费购买。每页大约1000字。

代写论文流程

载入中…

Web lunwenjia


热门搜索：离散化论文等价类属性约简联合熵二进制表示兴趣度

自动化基础最新论文

自动化基础热门论文