文摘
英文文摘
上海交通大学学位论文原创性声明及版权使用授权书
第一章绪论
1.1研究背景和意义
1.2国内外研究现状和趋势
1.2.1粗糙集研究
1.2.2贝叶斯网络研究
1.3不确定推理的其他方法
1.4粗糙集理论和概率论的结合
1.5本文的研究内容和结构安排
第二章基于粗糙集的特征选择方法
2.1基于粗糙集和微粒群算法的特征选择
2.1.1引言
2.1.2粗糙集理论基础
2.1.3基于粗糙集和微粒群算法的特征选择
2.1.4.实验结果和讨论
2.1.5小结
2.1.6其他实验例子
2.2粗糙集特征选择和规则提取算法用于脑肿瘤诊断和预测
2.2.1引言
2.2.2粗糙集理论的决策规则
2.2.3脑肿瘤数据集
2.2.4实验结果
2.2.5结论
2.2.6进一步讨论
2.3基于有序PSO的粗糙集近似熵约简
2.3.1引言
2.3.2有序PSO
2.3.3近似熵约简
2.3.4基于有序PSO的粗糙集近似熵约简算法
2.3.5实验
2.3.6结论和讨论
第三章基于近似精度和信息熵的粗糙集不确定性度量方法
3.1引言
3.2粗糙集理论中基本的不确定性度量
3.2.1精度和粗糙度
3.2.2近似分类精度和质量
3.2.3粗糙隶属函数
3.2.4属性依赖度
3.2.5属性重要度
3.3信息熵和粗糙熵
3.4实例
3.5小结
第四章基于模糊粗糙集的最近邻聚类分类算法
4.1引言
4.2模糊粗糙集及模糊粗糙近邻算法
4.2.1模糊集基本概念
4.2.2粗糙集基本概念
4.2.3模糊粗糙集(Fuzzy-Rough Sets)
4.2.4模糊粗糙近邻算法(Fuzzy-Rough NN算法)
4.3基于FRNN算法的聚类分类算法(FRNNC)
4.4实验及结论
第五章贝叶斯网络及隐变量隐结构学习
5.1引言
5.1.1图模型
5.1.2贝叶斯网络用于处理不确定性
5.2概率论和图论基础
5.3贝叶斯网络
5.3.1定义
5.3.2 d-分割与条件独立
5.3.3贝叶斯网络学习
5.3.4贝叶斯网络中的概率推理
5.4隐变量贝叶斯网络学习
5.4.1隐变量贝叶斯网络
5.4.2分类问题和贝叶斯网络分类器
5.4.3用于隐变量发现和分类的分级朴素贝叶斯模型学习
5.5评分函数在结构学习中的重要性
5.6贝叶斯熵标准
5.6.1产生式分类器和模型选择
5.6.2贝叶斯熵标准
5.7以BEC为标准学习有监督的隐变量贝叶斯网络
5.7.1问题描述
5.7.2基于BEC标准的有监督分类隐变量贝叶斯网络学习算法
5.8实验结果
5.9结论和未来工作
5.9.1结论
5.9.2未来工作
第六章结束语
6.1研究总结
6.1.1关于粗糙集研究的体会
6.1.2关于贝叶斯网络研究的体会
6.2研究展望
参考文献
致 谢
攻读博士学位期间撰写发表的论文
