构造性神经网络在瓦斯时间序列预测中的应用
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-15页 |
| ·课题背景和选题意义 | 第10-11页 |
| ·预测学概述 | 第11页 |
| ·时间序列预测概述 | 第11-14页 |
| ·本课题研究内容与文章组织结构 | 第14-15页 |
| 第二章 粒计算理论 | 第15-29页 |
| ·粒计算概述 | 第15-16页 |
| ·粒计算 | 第15-16页 |
| ·研究粒计算的必要性 | 第16页 |
| ·粒计算模型的基本组成 | 第16-19页 |
| ·粒 | 第17页 |
| ·层次 | 第17-18页 |
| ·分层结构 | 第18-19页 |
| ·粒结构——多层次和多个分层结构的结合 | 第19页 |
| ·粒计算基本问题 | 第19-20页 |
| ·三种主要的粒计算模型 | 第20-29页 |
| ·词计算理论 | 第20-22页 |
| ·粗糙集理论 | 第22-23页 |
| ·商空间理论 | 第23-25页 |
| ·商空间理论、粗糙集理论和词计算之间的关系 | 第25-29页 |
| 第三章 构造性神经网络 | 第29-51页 |
| ·覆盖领域概念分析 | 第31-33页 |
| ·人工神经元模型 | 第31-32页 |
| ·超平面和球形覆盖的表示 | 第32页 |
| ·覆盖领域的几何意义 | 第32-33页 |
| ·基于覆盖的构造性学习方法的发展 | 第33-37页 |
| ·前馈神经网络算法 | 第33-34页 |
| ·交叉覆盖算法 | 第34-37页 |
| ·对覆盖算法的研究进展 | 第37-43页 |
| ·双交叉覆盖增量学习算法 | 第37-38页 |
| ·核覆盖算法 | 第38页 |
| ·加权的覆盖算法 | 第38-39页 |
| ·机器学习中的多侧面递进算法MIDA | 第39-42页 |
| ·基于概率的覆盖算法 | 第42页 |
| ·基于粗糙集的交叉覆盖算法 | 第42-43页 |
| ·改进的覆盖算法的研究和分析 | 第43-51页 |
| ·算法的改进思想 | 第43-48页 |
| ·改进的覆盖算法 | 第48-51页 |
| 第四章 时间序列预测 | 第51-57页 |
| ·时间序列概述 | 第51-54页 |
| ·时间序列的概念 | 第51页 |
| ·时间序列的种类 | 第51-54页 |
| ·时间序列模型 | 第54-57页 |
| ·确定型时间序列模型 | 第55页 |
| ·随机型时间序列模型 | 第55-57页 |
| 第五章 煤矿瓦斯浓度预测 | 第57-64页 |
| ·煤矿瓦斯浓度预测研究背景 | 第57页 |
| ·煤矿瓦斯浓度影响因素 | 第57-58页 |
| ·煤矿瓦斯浓度预测实验方法 | 第58-60页 |
| ·煤矿瓦斯预测实验 | 第60-64页 |
| ·瓦斯时间序列的构成 | 第60-61页 |
| ·归一化 | 第61页 |
| ·实验结果 | 第61-64页 |
| 第六章 总结与展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 发表论文和参加科研情况说明 | 第69页 |
