基于自组织映射网络和感知机的数据挖掘方法及应用
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-14页 |
| ·研究背景与意义 | 第10-12页 |
| ·本文的主要工作 | 第12页 |
| ·论文的结构 | 第12-14页 |
| 第二章 数据挖掘及人工神经网络概述 | 第14-24页 |
| ·数据挖掘概述 | 第14-18页 |
| ·数据挖掘的定义及过程 | 第14-16页 |
| ·数据挖掘功能 | 第16-17页 |
| ·数据挖掘的模型与算法 | 第17-18页 |
| ·人工神经网络概述 | 第18-23页 |
| ·神经元模型 | 第18-20页 |
| ·人工神经网络的拓扑结构 | 第20-22页 |
| ·人工神经网络的学习 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 人工神经网络数据挖掘的数据预处理 | 第24-33页 |
| ·引言 | 第24页 |
| ·数据清洗 | 第24-26页 |
| ·数据集成和转换 | 第26-27页 |
| ·数据表示 | 第27-30页 |
| ·离散数值数据的表示 | 第27-28页 |
| ·连续数值数据的表示 | 第28-29页 |
| ·符号数据的表示 | 第29-30页 |
| ·数据消减 | 第30-31页 |
| ·本章小结 | 第31-33页 |
| 第四章 基于自组织映射网络的聚类算法研究 | 第33-48页 |
| ·引言 | 第33-35页 |
| ·聚类定义及聚类算法数据类型 | 第33-34页 |
| ·现有聚类算法分析 | 第34-35页 |
| ·SOM 神经网络 | 第35-40页 |
| ·SOM 网络结构 | 第35-36页 |
| ·SOM 聚类算法 | 第36-38页 |
| ·SOM 的不足 | 第38-39页 |
| ·SOM 学习算法的优化 | 第39-40页 |
| ·GHSOM 神经网络 | 第40-44页 |
| ·GHSOM 网络结构 | 第40-41页 |
| ·GHSOM 聚类算法 | 第41-44页 |
| ·GRAGHSOM 聚类算法 | 第44-46页 |
| ·实验结果 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 基于感知机的分类算法应用 | 第48-59页 |
| ·引言 | 第48页 |
| ·基于感知机的分类方法 | 第48-53页 |
| ·单层感知机网络 | 第49-51页 |
| ·多层感知机网络 | 第51-53页 |
| ·基于感知机的地方天气预报系统 | 第53-58页 |
| ·问题定义 | 第53页 |
| ·数据预处理 | 第53-56页 |
| ·人工神经网络模型 | 第56-57页 |
| ·结果表示 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 结论与展望 | 第59-61页 |
| ·结论 | 第59页 |
| ·展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 个人简历及攻读硕士期间的成果 | 第65-66页 |
