第1章 绪论 1
1.1复杂数据的知识发现 1
1.2混合数据分类建模的不确定性分析 2
1.2.1数据类型及其信息结构分析 2
1.2.2混合数据分类的不确定性分析 5
1.3基于粗糙集的分类不确定性刻画 6
1.3.1粗糙计算模型的发展 7
1.3.2粗糙计算算法设计现状 9
1.3.3现有粗糙集模型处理混合数据存在的问题 11
1.4对当前若干粗糙计算观点的评述 13
1.4.1粗糙计算中分类能力定义的评述 13
1.4.2粒计算、词计算与粗糙计算的多样性 15
第2章 集合论基础 18
2.1集合 18
2.2模糊集 24
第3章 Pawlak粗糙集模型 31
3.1粗糙集理论的基本概念 31
3.2约简和相对约简 35
3.3基于粗糙集的分类建模 39
3.3.1属性约简 39
3.3.2规则提取 41
3.3.3分类决策 44
第4章度量空间分类学习的邻域粗糙集模型 45
4.1基于邻域粒化的混合数据分析模型 45
4.1.1邻域粗糙集 45
4.1.2邻域决策系统 48
4.1.3关于邻域粗糙集的理解 51
4.1.4基于邻域模型的多粒度可分性分析 53
4.2基于邻域粗糙集的边界样本选择 56
4.3基于邻域粗糙集的混合数据属性约简 60
4.3.1算法设计 60
4.3.2测试分析 63
4.4基于邻域一致性分析的属性约简 67
4.4.1邻域依赖度指标存在的问题 67
4.4.2邻域一致性指标及特性分析 69
4.4.3算法设计 71
4.4.4测试分析 72
4.5基于邻域覆盖约简的分类规则学习 74
第5章 模糊分类学习的模糊粗糙集模型 79
5.1模糊算子 79
5.2模糊粗糙集 81
5.3基于核函数的模糊粗糙逼近 84
5.3.1模糊粗糙集与核学习机器的潜在联系 84
5.3.2核模糊粗糙集模型 86
5.3.3基于核的分类逼近 88
5.4基于核模糊逼近的属性依赖性分析 94
5.5核模糊粗糙集与ReliefF算法的关系 97
5.6鲁棒的软模糊粗糙集模型 100
5.7基于核模糊逼近的混合数据属性约简 103
5.7.1算法设计 103
5.7.2测试分析 106
5.8基于核模糊逼近的样本加权采样 108
5.8.1 KNN中样本选择研究现状 108
5.8.2 FAIR-KNN算法设计 109
5.8.3实验分析 112
第6章 有序分类的优势关系粗糙集模型 120
6.1有序决策表 120
6.2优势关系粗糙集和有序分类 122
6.3有序决策表约简 125
6.4模糊优势关系粗糙集 126
6.4.1模糊优势关系 126
6.4.2模糊优势决策近似 129
6.5多类型属性共存时的有序决策分析模型 135
6.6近似质量分析和有序决策约简 136
6.7应用分析 139
第7章 近似空间的信息度量 148
7.1等价关系信息系统的信息度量 148
7.1.1信息熵 148
7.1.2 Pawlak近似空间的信息度量 150
7.2邻域系统的信息度量 152
7.3模糊近似空间的信息度量 155
7.3.1模糊关系的信息熵及性质 155
7.3.2 Pawlak近似空间的Shannon熵与模糊熵的关系 158
7.3.3模糊近似空间的模糊信息度量 161
7.4有序分类的不确定性度量 163
7.4.1清晰序关系下的信息度量 164
7.4.2模糊优势关系下的信息度量 169
7.5基于信息熵的混合数据约简方法 171
7.6依赖度、一致度和互信息之间的关系 172
参考文献 175