《粗糙集理论及其数据挖掘应用》共分为8章。第1章首先介绍了粗糙集理论在钢铁行业和图像处理领域的研究综述；第2章概述了粗糙集和粒子群基本理论；第3章介绍了粗糙集理论和熵理论的关系，利用条件熵与粗糙集进行了层次树的构造；第4章阐述了变精度粗糙集理论和信息熵的概念和基于离散粒子群的变精度粗糙集约简算法；第5章介绍了优势粗糙集的理论和TOPSIS决策理论；第6章介绍了粗糙集理论在链篦机质量判断中的应用；第7章阐述了粗糙集理论在图像数据挖掘中的应用；第8章介绍了粗糙集理论在预混火焰数据挖掘中的应用。 《粗糙集理论及其数据挖掘应用》涵盖了作者近几年的研究成果。将粗糙集理论与钢铁工业工程应用和数字图像处理等进行了较好的结合，并在钢铁行业中球团质量数据挖掘、图像处理数据挖掘、预混火焰数据挖掘等前沿热点研究领域中提供了实例，是将粗糙集与数据挖掘有机结合的一《粗糙集理论及其数据挖掘应用》。
第1章 导言
1.1 问题的提出
1.2 粗糙集理论及其研究现状
1.3 球团生产系统数据挖掘
1.3.1 球团生产系统概述
1.3.2 链篦机一回转窑一环冷机工艺流程
1.3.3 粗糙集理论在质量数据挖掘中的应用现状
1.4 粗糙集理论在图像数据挖掘中的应用现状
1.5 主要研究思路及内容安排
1.5.1 主要研究思路
1.5.2 内容安排
第2章 粗糙集约简及改进算法
2.1 引言
2.2 粗糙集属性约简
2.2.1 粗糙近似
2.2.2 约简与核
2.2.3 基于依赖度的相对属性约简
2.3 粗糙集理论不确定性分析
2.3.1 粗糙集理论对不确定性的处理能力
2.3.2 粗糙集不确定性量度
2.4 粗糙集最小属性集选择
2.4.1 粗糙集最小属性集
2.4.2 属性集选择
2.4.3 属性集选择的贪心算法
2.4.4 算例分析
2.5 基于遗传算法的属性相对约简
2.6 基于离散粒子群算法的属性约简
2.6.1 粒子群优化算法
2.6.2 离散粒子群算法的属性约简算法实施
2.7 算例分析
2.8 小结
第3章 粒子群算法优化变精度粗糙集规则获取
3.1 引 言
3.2可 变精度粗糙集
3.2.1 变精度粗糙集中的近似集合
3.2.2 变精度粗糙集中近似集合的性质
3.3 决策规则测度分析
3.3.1 决策规则测度基本概念
3.3.2 阈值舛员渚却植诠嬖蚣挠跋ì
3.4 离散粒子群（DPS0）的变精度粗糙集规则获取
3.4.1 离散粒子群（DPso）的变精度粗糙集规则获取
3.4.2 实例分析
3.5 对比分析
3.6 小结
第4章 层次树模型在粗糙集约简中的应用
4.1 引 言
4.2 基于熵的粗糙集不确定性度量分析
4.2.1 信息熵
4.2.2 粗糙熵
4.2.3 知识粒度
4.2.4 引入粗糙度的粗糙熵
4.2.5 改进的粗糙熵
4.3 基于粗糙熵的属性约简
4.4 基于粗糙集的分层次挖掘算法
4.5 基于粗糙集的层次树模型
4.5.1 构建层次树模型
4.5.2 基于粗糙熵的层次树约简算法
4.5.3 实例分析
4.6 小结
第5章 加权TOPSIS的粗糙集偏序关系全序化
5.1 引 言
5.2 偏序关系全序化
5.2.1 偏序关系
5.2.2 基于优势度的偏序关系全序化
5.2.3 辨识矩阵方法求取偏序集的局限性
5.3 基于粗糙集和加权TOPSIS的偏序关系全序化.
5.3.1 序数评估分值模型的权重确定简化算法
5.3.2 加权TOPSIS多指标评价原理
5.3.3 应用实例
5.4 小结
第6章 改进的粗糙集在球团质量数据挖掘中的应用
6.1 引言
6.2 链篦机一回转窑工艺与球团成球质量分析
6.2.1 链篦机一回转窑工艺介绍
6.2.2 球团成球质量参数分析
6.3 基于粗糙集理论的球团成球质量规则提取
6.3.1 条件属性集合与决策属性集合的确定
6.3.2 粗糙集决策表的建立
6.3.3 噪声数据的处理
6.3.4 工艺参数时序分析
6.3.5 球团质量属性约简
6.3.6 规则查询和操作指导
6.4 基于众数的粗糙集的球团质量和参数相关性分析
6.4.1基于众数的粗糙集模型产生的必要件
6.4.2 基于众数的粗糙集模型构造
6.4.3 基于众数粗糙集球团质量和参数相关性分析实例
6.5 离散粒子群变精度粗糙集在成球质量判断中的应用
6.5.1 基于粒子群的粗糙集约简方法在成球质量判断中的应用
6.5.2 基于粒子群的变精度粗糙集在成球质量判断中的应用
6.6 测试结果分析
6.7 小结
第7章 粗糙集理论在图像数据挖掘中的应用
7.1 引 言
7.2 BP算法的基本原理和局限性
7.2.1 BP算法的基本原理
7.2.2 BP算法的局限性
7.3 基于PSO的BP神经网络优化
7.3.1 用PSo算法优化BP网络学习算法
7.3.2 实例分析
7.4 粗糙集一粒子群神经网络的图像分割
7.4.1 粗糙集一粒子群神经网络模型
7.4.2 基于粗糙集一粒子群神经网络的图像分割
7.5 小结
第8章 粗糙集在预混火焰实验数据挖掘中的应用
8.1 引 言
8.2 ClH-PLIF测量装置
8.3 预混火焰实验
8.3.1 预混火焰实验过程
8.3.2 实验结果
8.4 基于粗糙集理论的预混火焰实验数据挖掘
8.5 小结
参考文献
2.6.1.1算法原理
粒子群优化算法是基于群体的，根据对环境的适应度将群体中的个体移动到好的区域，每个优化问题的解都称为“粒子”，每个粒子都具有自己的位置向量和速度向量，每个位置都代表一个参数值。针对一个D维的优化问题，设一个D维空间中的每一个位置的粒子都代表优化问题中的一个解，而位置就代表着等待优化调整的参数。所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定它们飞翔的方向和距离。粒子们就追随当前的最优粒子在解空间中进行搜索。
粒子群优化算法初始化为一群随机粒子（随机解），然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，称为个体极值pbest；另一个极值是整个种群目前找到的最优解，称为全局极值gbest。同时也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。
粒子群优化算法根据对环境的适应度将群体中的个体（粒子）移动到好的区域，然而它不像其他进化算法那样对个体使用进化算子，而是将每个个体看做D维搜索空间中的一个没有体积、没有质量的粒子（点），在搜索空间中以一定的速度飞行。这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。
……
书单推荐
