摘要 | 第5-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第12-20页 |
1.1 课题来源与选题背景 | 第12-13页 |
1.2 课题研究的目的和意义 | 第13-15页 |
1.3 研究目标与内容 | 第15-16页 |
1.4 研究的技术路线与方法 | 第16-17页 |
1.5 论文结构安排 | 第17-20页 |
第2章 相关理论基础与研究综述 | 第20-32页 |
2.1 卷烟感官评吸简介 | 第20-22页 |
2.2 智能感官评估方法 | 第22-27页 |
2.2.1 卷烟感官评估的相关研究 | 第22-25页 |
2.2.2 类似产品的智能感官评估方法 | 第25-27页 |
2.3 分类算法简介 | 第27-30页 |
2.3.1 单分类器简介 | 第27-28页 |
2.3.2 多分类器集成方法 | 第28-30页 |
2.4 本章小结 | 第30-32页 |
第3章 基于单一分类算法的成品烟感官评吸指标预测 | 第32-62页 |
3.1 引言 | 第32页 |
3.2 数据的整理和离散化 | 第32-38页 |
3.2.1 成品烟数据来源及特点 | 第32-35页 |
3.2.2 决策属性的离散化 | 第35-36页 |
3.2.3 条件属性的离散化 | 第36-37页 |
3.2.4 条件属性的归一化 | 第37-38页 |
3.3 决策树ID3 | 第38-41页 |
3.3.1 决策树ID3基本原理 | 第38-39页 |
3.3.2 数据实验 | 第39-41页 |
3.4 决策树C4.5 | 第41-43页 |
3.4.1 决策树C4.5基本原理 | 第41页 |
3.4.2 数据实验 | 第41-43页 |
3.5 k-近邻 | 第43-45页 |
3.5.1 k-近邻方法基本原理 | 第43页 |
3.5.2 数据实验 | 第43-45页 |
3.6 BP人工神经网络 | 第45-49页 |
3.6.1 BP神经网络方法基本原理 | 第45-47页 |
3.6.2 数据实验 | 第47-49页 |
3.7 支持向量机 | 第49-51页 |
3.7.1 支持向量机方法基本原理 | 第49页 |
3.7.2 数据实验 | 第49-51页 |
3.8 朴素贝叶斯 | 第51-54页 |
3.8.1 朴素贝叶斯分类器基本原理 | 第51-52页 |
3.8.2 数据实验 | 第52-54页 |
3.9 性能评价实验及算法结果比较 | 第54-61页 |
3.9.1 分类算法性能评价指标 | 第54-55页 |
3.9.2 实验结果及其比较分析 | 第55-61页 |
3.10 本章小结 | 第61-62页 |
第4章 基于集成学习的成品烟感官评吸指标预测 | 第62-82页 |
4.1 引言 | 第62页 |
4.2 基于单一分类方法集成的预测方法 | 第62-65页 |
4.2.1 基于Bagging的分类预测方法 | 第62-63页 |
4.2.2 基于Boosting的分类预测方法 | 第63-65页 |
4.3 基于多种不同分类方法集成的预测方法 | 第65-68页 |
4.3.1 针对成品烟感官评估的MCS集成系统结构 | 第65-66页 |
4.3.2 MCS集成系统构建方法 | 第66-68页 |
4.4 数据实验及其比较分析 | 第68-80页 |
4.4.1 基于Bagging的预测模型实验 | 第68-72页 |
4.4.2 基于Boosting的预测模型实验 | 第72-75页 |
4.4.3 基于MCS的预测模型实验 | 第75-80页 |
4.5 本章小结 | 第80-82页 |
第5章 基于Matlab GUI的卷烟优化辅助决策系统设计 | 第82-96页 |
5.1 引言 | 第82页 |
5.2 软件系统功能结构 | 第82-86页 |
5.2.1 系统开发环境简介 | 第82-84页 |
5.2.2 系统的功能需求 | 第84-85页 |
5.2.3 系统结构和模块设计 | 第85-86页 |
5.3 用户图形界面设计 | 第86-91页 |
5.4 软件功能的使用实例 | 第91-94页 |
5.5 本章小结 | 第94-96页 |
第6章 总结与展望 | 第96-98页 |
6.1 论文工作总结 | 第96-97页 |
6.2 未来研究工作展望 | 第97-98页 |
参考文献 | 第98-104页 |
致谢 | 第104-106页 |
攻读硕士期间参加课题及获奖情况 | 第106页 |
1. 参加课题 | 第106页 |
2. 获奖情况 | 第106页 |
3. 学术论文 | 第106页 |