| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| Extended Abstract | 第10-13页 |
| 目录 | 第13-17页 |
| 图清单 | 第17-18页 |
| 表清单 | 第18-20页 |
| 1 绪论 | 第20-31页 |
| ·研究背景 | 第20页 |
| ·课题来源 | 第20-21页 |
| ·国内外研究现状 | 第21-28页 |
| ·存在的问题及本文研究的重点 | 第28-29页 |
| ·本文的主要研究内容和组织结构 | 第29-31页 |
| 2 粗糙集理论基础 | 第31-42页 |
| ·概述 | 第31-32页 |
| ·粗糙集的基本概念 | 第32-35页 |
| ·粗糙集中的知识表示 | 第35-36页 |
| ·知识约简原理 | 第36-38页 |
| ·决策表属性约简算法 | 第38-40页 |
| ·小结 | 第40-42页 |
| 3 基于粗糙集和 QPSO 算法的粒度 BP 神经网络 | 第42-58页 |
| ·BP 神经网络概述 | 第42-46页 |
| ·基于粗糙集的粒度约简 | 第46-48页 |
| ·粒度 BP 网络的结构与算法 | 第48-52页 |
| ·实验与分析 | 第52-57页 |
| ·小结 | 第57-58页 |
| 4 基于粗糙集和 AP 聚类算法的粒度 RBF 神经网络 | 第58-67页 |
| ·RBF 神经网络概述 | 第58-60页 |
| ·粒度 RBF 神经网络的结构与学习算法 | 第60-62页 |
| ·实验与分析 | 第62-66页 |
| ·小结 | 第66-67页 |
| 5 具有自适应极速学习能力的单隐层粒度神经网络 | 第67-77页 |
| ·ELM 概述 | 第67-69页 |
| ·单隐层粒度神经网络的结构 | 第69-70页 |
| ·单隐层粒度神经网络的自适应极速学习算法 | 第70页 |
| ·实验与分析 | 第70-75页 |
| ·小结 | 第75-77页 |
| 6 基于粗规则的粒度神经网络 | 第77-89页 |
| ·决策规则的提取 | 第77-82页 |
| ·粗规则粒度神经网络的结构和学习算法 | 第82-86页 |
| ·实验与分析 | 第86-88页 |
| ·小结 | 第88-89页 |
| 7 基于变精度粗糙集的粒度双神经元网络 | 第89-101页 |
| ·变精度粗糙集模型概述 | 第89-91页 |
| ·粒度双神经元结构 | 第91-93页 |
| ·粒度双神经元网络模型 | 第93-95页 |
| ·粒度双神经元网络的进一步优化 | 第95-97页 |
| ·实验与分析 | 第97-100页 |
| ·小结 | 第100-101页 |
| 8 总结与展望 | 第101-104页 |
| ·总结 | 第101-102页 |
| ·展望 | 第102-104页 |
| 参考文献 | 第104-113页 |
| 作者简历 | 第113-116页 |
| 学位论文数据集 | 第116页 |