| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第1章 绪论 | 第9-12页 |
| ·课题来源及研究意义 | 第9-10页 |
| ·国内外研究现状及发展水平 | 第10-11页 |
| ·本文的目的和主要内容 | 第11-12页 |
| ·本文的目的 | 第11页 |
| ·本文的主要内容 | 第11-12页 |
| 第2章 空气质量评价信息处理技术 | 第12-19页 |
| ·数据、信息与知识 | 第12-13页 |
| ·数据融合技术 | 第13-16页 |
| ·数据融合技术的基本概念 | 第13-14页 |
| ·数据融合的分类 | 第14-15页 |
| ·数据融合的方法 | 第15-16页 |
| ·数据挖掘技术 | 第16-18页 |
| ·数据挖掘的基本概念 | 第16页 |
| ·数据挖掘的方法 | 第16-18页 |
| ·数据挖掘和数据融合的集成 | 第18页 |
| ·小结 | 第18-19页 |
| 第3章 空气质量评价集成信息处理系统的研究 | 第19-25页 |
| ·“数据—信息—知识—智能行为”转化链 | 第19-20页 |
| ·基于信息处理的空气质量评价系统拓扑结构 | 第20-22页 |
| ·环境空气监测监控系统硬件结构 | 第20-21页 |
| ·基于信息处理的空气质量评价系统拓扑结构 | 第21-22页 |
| ·空气质量评价系统集成信息处理模型 | 第22页 |
| ·空气质量评价系统信息处理的总体模型 | 第22-23页 |
| ·空气质量评价信息处理模型的软硬件实现 | 第23-24页 |
| ·小结 | 第24-25页 |
| 第4章 粗糙集与神经网络融合的空气质量评价信息处理系统 | 第25-42页 |
| ·粗糙集的基本概念 | 第25-27页 |
| ·属性约简 | 第27-28页 |
| ·属性的约简 | 第27-28页 |
| ·区分矩阵法求属性约简 | 第28页 |
| ·人工神经网络 | 第28-29页 |
| ·粗糙集与神经网络融合的空气质量评价信息处理系统 | 第29-41页 |
| ·采用粗糙集与神经网络融合方法的原因 | 第29-30页 |
| ·空气质量评价粗糙集-神经网络(RoughSet-NN)信息处理模型的实现 | 第30-38页 |
| ·神经网络建立空气质量评价模型 | 第38-41页 |
| ·小结 | 第41-42页 |
| 第5章 神经网络优化算法研究 | 第42-53页 |
| ·遗传-蚁群算法优化神经网络的原因 | 第42页 |
| ·蚁群算法 | 第42-45页 |
| ·蚁群行为描述 | 第42页 |
| ·基本蚁群算法的机制原理 | 第42-43页 |
| ·基本蚁群算法的数学模型 | 第43-44页 |
| ·基本蚁群算法的程序结构流程 | 第44-45页 |
| ·遗传算法 | 第45-47页 |
| ·遗传算法与自然选择 | 第46页 |
| ·遗传算法的基本步骤 | 第46-47页 |
| ·蚁群算法与遗传算法的比较 | 第47-50页 |
| ·两种算法的优化质量比较 | 第47-48页 |
| ·两种算法收敛速度比较 | 第48-49页 |
| ·两种算法的特点与比较分析 | 第49-50页 |
| ·遗传算法和蚁群算法融合的GAAA算法 | 第50-52页 |
| ·遗传算法与蚁群算法融合的优点 | 第50-51页 |
| ·GAAA算法中遗传算法的结构原理 | 第51-52页 |
| ·GAAA算法中蚁群算法的设计 | 第52页 |
| ·小结 | 第52-53页 |
| 第6章 系统仿真及实验结果分析 | 第53-57页 |
| ·MATLAB仿真软件介绍 | 第53页 |
| ·系统仿真 | 第53-56页 |
| ·GAAA算法对空气质量评价问题的仿真实现 | 第53-55页 |
| ·与其它空气质量评价方法的比较 | 第55-56页 |
| ·小结 | 第56-57页 |
| 第7章 结论 | 第57-58页 |
| ·论文工作总结 | 第57页 |
| ·下一步工作和展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 作者在读硕士期间的研究成果 | 第62-63页 |
| 附录I 图表索引 | 第63-65页 |
| 附录II 软件文档(部分) | 第65-66页 |