基于归纳学习和范例推理的智能决策支持系统的研究
| 第一章 引言 | 第1-14页 |
| 1．1 背景和意义 | 第9-10页 |
| 1．2 智能决策支持系统的发展历史与现状 | 第10-11页 |
| 1．3 归纳学习的发展历史与现状 | 第11-12页 |
| 1．4 范例推理的发展历史与现状 | 第12-13页 |
| 1．5 本文的内容与安排 | 第13-14页 |
| 第二章 智能决策支持系统 | 第14-29页 |
| 2．1 决策支持系统的体系结构 | 第14-19页 |
| 2．1．1 基于 X库的体系结构 | 第15-17页 |
| 2．1．2 基于知识的体系结构 | 第17-19页 |
| 2．2 IDSS的功能及体系结构 | 第19-22页 |
| 2．2．1 IDSS的功能 | 第19-20页 |
| 2．2．2 IDSS的体系结构 | 第20-21页 |
| 2．2．3 三种IDSS结构的比较 | 第21-22页 |
| 2．3 IDSS的研究现状和存在的问题 | 第22-27页 |
| 2．4 基于机器学习的IDSS | 第27-29页 |
| 第三章 归纳学习 | 第29-39页 |
| 3．1 概述 | 第29-30页 |
| 3．2 决策树学习 | 第30-36页 |
| 3．2．1 ID3学习算法 | 第31-35页 |
| 3．2．2 C4．5学习算法 | 第35-36页 |
| 3．3 特征子集选择问题 | 第36-38页 |
| 3．3．1 概述 | 第36-37页 |
| 3．3．2 特征子集选择中噪音问题的处理 | 第37-38页 |
| 3．4 小结 | 第38-39页 |
| 第四章 范例推理 | 第39-47页 |
| 4．1 概述 | 第39-40页 |
| 4．2 范例的表示方法及检索技术 | 第40-42页 |
| 4．3 范例库的维护 | 第42-44页 |
| 4．4 CBR的发展方向 | 第44-46页 |
| 4．5 小结 | 第46-47页 |
| 第五章 归纳学习在CBR中的应用 | 第47-58页 |
| 5．1 决策树学习算法在CBR中的应用 | 第47-52页 |
| 5．1．1 基于决策树学习算法的范例检索 | 第47-50页 |
| 5．1．2 基于决策树学习算法的CBR的修正 | 第50-51页 |
| 5．1．3 基于决策树学习算法的CBR的维护 | 第51-52页 |
| 5．2 特征子集选择算法在CBR中的应用 | 第52-57页 |
| 5．2．1 传统的特征子集选择启发式算法 | 第52-54页 |
| 5．2．2 容忍噪音的特征子集选择算法 | 第54-57页 |
| 5．3 小结 | 第57-58页 |
| 第六章 基于归纳学习与CBR的防洪IDSS | 第58-73页 |
| 6．1 系统设计目标 | 第59-60页 |
| 6．2 CBR在防洪智能决策支持系统中的应用 | 第60-65页 |
| 6．2．1 基于范例推理的DSS | 第60-64页 |
| 6．2．2 基于范例推理的集成推理模型的IDSS | 第64-65页 |
| 6．3 归纳学习在防洪智能决策支持系统中的应用 | 第65-67页 |
| 6．4 系统的结构设计 | 第67-72页 |
| 6．4．1 系统构成 | 第67-69页 |
| 6．4．2 关键技术 | 第69-72页 |
| 6．5 小结 | 第72-73页 |
| 第七章 总结与展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 在攻读硕士学位期间的科研及获奖情况 | 第79-80页 |
| 致谢 | 第80页 |
