| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-10页 |
| 1.1 研究背景及意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-8页 |
| 1.3 本文研究内容 | 第8页 |
| 1.4 本文组织结构 | 第8-10页 |
| 第二章 智能建模方法的可解释性 | 第10-15页 |
| 2.1 模糊系统及其可解释性 | 第10-12页 |
| 2.1.1 模糊系统的基本概念 | 第10-12页 |
| 2.1.2 模糊系统的可解释性 | 第12页 |
| 2.2 神经网络及其可解释性 | 第12-13页 |
| 2.2.1 神经网络的基本概念 | 第12-13页 |
| 2.2.2 神经网络的可解释性 | 第13页 |
| 2.3 其他方面的可解释性 | 第13-15页 |
| 第三章 广义隐映射最小最大概率机 | 第15-27页 |
| 3.1 引言 | 第15页 |
| 3.2 最小最大概率决策技术 | 第15-17页 |
| 3.3 广义隐映射最小最大概率机 | 第17-21页 |
| 3.3.1 广义隐映射模型与最小最大概率决策学习 | 第17-19页 |
| 3.3.2 通用的GHM-MPM学习算法 | 第19-21页 |
| 3.4 实验研究 | 第21-26页 |
| 3.4.1 模拟数据分类 | 第22-24页 |
| 3.4.2 真实数据分类 | 第24-26页 |
| 3.5 本章小结 | 第26-27页 |
| 第四章 面向癫痫EEG信号识别的径向基最小最大概率分类树 | 第27-35页 |
| 4.1 引言 | 第27页 |
| 4.2 RBF神经网络 | 第27-28页 |
| 4.3 最小最大概率RBF神经网络 | 第28-29页 |
| 4.4 MP-RBFNN与分类树 | 第29-30页 |
| 4.4.1 多分类问题 | 第29页 |
| 4.4.2 径向基最小最大概率分类树 | 第29-30页 |
| 4.5 实验研究 | 第30-34页 |
| 4.5.1 实验数据 | 第30-31页 |
| 4.5.2 特征提取 | 第31页 |
| 4.5.3 实验设置 | 第31-32页 |
| 4.5.4 结果分析 | 第32-34页 |
| 4.6 本章小结 | 第34-35页 |
| 第五章 区间二型模糊子空间〇阶TSK系统 | 第35-47页 |
| 5.1 引言 | 第35页 |
| 5.2 区间二型TSK模糊系统 | 第35-38页 |
| 5.3 模糊子空间聚类 | 第38-39页 |
| 5.4 区间二型模糊子空间〇阶TSK系统 | 第39-42页 |
| 5.4.1 规则前件的构造 | 第39-40页 |
| 5.4.2 规则后件的初始化 | 第40-41页 |
| 5.4.3 规则后件的再学习 | 第41-42页 |
| 5.5 实验研究 | 第42-46页 |
| 5.5.1 实验设置 | 第42-43页 |
| 5.5.2 模拟数据集实验 | 第43-44页 |
| 5.5.3 真实数据集实验 | 第44-46页 |
| 5.6 本章小结 | 第46-47页 |
| 主要结论与展望 | 第47-48页 |
| 主要结论 | 第47页 |
| 展望 | 第47-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第52页 |