| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 选题背景及意义 | 第8-9页 |
| 1.2 国内外的研究发展 | 第9-11页 |
| 1.2.1 数据分类技术 | 第9-10页 |
| 1.2.2 粗糙集研究现状 | 第10页 |
| 1.2.3 基于粗糙集和人工神经网络结合的研究现状 | 第10-11页 |
| 1.3 本文的主要内容及研究方法 | 第11页 |
| 1.4 本文的组织安排 | 第11-13页 |
| 第二章 粒子群优化算法 | 第13-18页 |
| 2.1 粒子群算法的基本原理 | 第13页 |
| 2.2 POS算法的数学描述 | 第13-15页 |
| 2.3 粒子群优化算法的改进 | 第15-16页 |
| 2.3.1 POS算法存在的问题 | 第15页 |
| 2.3.2 改进粒子群优化算法 | 第15-16页 |
| 2.4 实验结果分析 | 第16-18页 |
| 第三章 粗糙集理论 | 第18-33页 |
| 3.1 粗糙集的基本概念 | 第18-20页 |
| 3.1.1 知识的表达 | 第18-19页 |
| 3.1.2 不可分辨关系 | 第19页 |
| 3.1.3 粗糙近似 | 第19-20页 |
| 3.2 连续属性离散化 | 第20-26页 |
| 3.2.1 离散化问题的描述 | 第20-21页 |
| 3.2.2 常用的离散化方法 | 第21-23页 |
| 3.2.3 基于改进POS算法的连续属性离散化 | 第23-26页 |
| 3.3 属性约简和规则提取 | 第26-31页 |
| 3.3.1 属性的重要度 | 第26-27页 |
| 3.3.2 基于属性重要度的属性约简方法 | 第27-29页 |
| 3.3.3 规则的提取 | 第29-31页 |
| 3.4 粗糙集在数据分类中的优势及面临的挑战 | 第31-33页 |
| 第四章 人工神经网络 | 第33-50页 |
| 4.1 人工神经网络 | 第33-38页 |
| 4.1.1 神经网络技术的发展 | 第33-34页 |
| 4.1.2 人工神经元模型 | 第34-35页 |
| 4.1.3 神经网络模型 | 第35-36页 |
| 4.1.4 神经网络的学习方式 | 第36-38页 |
| 4.2 BP神经网络 | 第38-46页 |
| 4.2.1 BP神经网络模型 | 第38-39页 |
| 4.2.2 BP算法原理 | 第39-43页 |
| 4.2.3 改进的BP算法 | 第43-46页 |
| 4.3 实验结果分析 | 第46-49页 |
| 4.4 神经网络在数据分类中面临的挑战 | 第49-50页 |
| 第五章 粗糙集与神经网络结合方法的研究 | 第50-55页 |
| 5.1 问题的提出 | 第50页 |
| 5.2 粗糙集与神经网络结合的方式 | 第50-52页 |
| 5.3 粗糙集-小波神经网络 | 第52-53页 |
| 5.4 粗糙集-BP神经网络 | 第53-55页 |
| 第六章 改进的RS-BP神经网络算法设计与实例 | 第55-62页 |
| 6.1 改进的RS-BPNN模型结构 | 第55页 |
| 6.2 算法设计 | 第55-56页 |
| 6.3 仿真实验 | 第56-62页 |
| 第七章 总结与展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士学位期间发表的论文 | 第68页 |