| 第一章 绪论 | 第6-10页 |
| 1.1 味觉传感器 | 第7页 |
| 1.2 味觉识别系统的应用 | 第7-8页 |
| 1.3 计算机味觉模式识别方法 | 第8-10页 |
| 第二章 味觉信号采集及特征提取 | 第10-13页 |
| 2.1 味觉传感器 | 第10-12页 |
| 2.2 10种茶味觉信号的采集与特征提取 | 第12-13页 |
| 第三章 最小不确定性神经网络模型 | 第13-18页 |
| 3.1 神经网络的一般信号传递公式 | 第13-15页 |
| 3.1.1 计算智能 | 第13页 |
| 3.1.2 计算智能所包含的领域 | 第13-14页 |
| 3.1.3 人工神经网络 | 第14-15页 |
| 3.2 最小不确定性判决 | 第15-16页 |
| 3.3 最小不确定性神经网络 | 第16-18页 |
| 第四章 贝叶斯概率确定最小不确定性神经网络权值和阈值 | 第18-24页 |
| 4.1 贝叶斯概率论中先验概率一般形式 | 第18-21页 |
| 4.1.1 贝叶斯概率论与经典概率论的探讨 | 第18-20页 |
| 4.1.2 贝叶斯概率的形式 | 第20-21页 |
| 4.2 贝叶斯概率确定最小不确定性神经网的权值和阈值 | 第21-24页 |
| 第五章 粒子群优化算法(PSO)确定最小不确定性神经网络权值和阈值 | 第24-28页 |
| 5.1 粒子群优化算法(Particle Swarm Optimiation) | 第24-26页 |
| 5.1.1 粒子群优化算法 | 第24-25页 |
| 5.1.2 PSO神经网模型 | 第25-26页 |
| 5.2 利用粒子群优化算法(PSO)确定最小不确定性神经网的权值和阈值 | 第26-28页 |
| 第六章 贝叶斯概率和PSO结合确定最小不确定性神经网络权值和阈值 | 第28-31页 |
| 6.1 单独使用贝叶斯概率或PSO确定最小不确定性神经网络参数的利弊分析 | 第28-29页 |
| 6.2 使用贝叶斯概率和PSO结合的方法确定最小不确定性神经网的权值及阈值 | 第29-31页 |
| 第七章 实验结果及分析 | 第31-34页 |
| 7.1 实验数据来源及测试环境 | 第31-32页 |
| 7.2 测试结果分析 | 第32-34页 |
| 7.2.1 贝叶斯确定最小不确定性神经网 | 第32页 |
| 7.2.2 粒子群优化(PSO)确定最小不确定性神经网 | 第32页 |
| 7.2.3 (贝叶斯概率+PSO)确定最小不确定性神经网 | 第32-34页 |
| 第八章 结论及展望 | 第34-36页 |
| 参考文献 | 第36-42页 |
| 致谢 | 第42-43页 |
| 中文摘要 | 第43-47页 |
| Ahstract | 第47页 |
