| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 引言 | 第8-18页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外陶瓷艺术品定价研究现状 | 第10-13页 |
| 1.2.1 国外艺术品定价研究现状 | 第10-11页 |
| 1.2.2 国内艺术品定价研究现状 | 第11-13页 |
| 1.3 现行陶瓷艺术品定价方法 | 第13-15页 |
| 1.3.1 陶瓷艺术品的一般定价方法 | 第13-14页 |
| 1.3.2 艺术家创作的陶瓷艺术品的定价方法 | 第14-15页 |
| 1.4 论文主要内容及创新点 | 第15-18页 |
| 1.4.1 论文主要内容 | 第15-16页 |
| 1.4.2 论文创新点 | 第16-18页 |
| 2 几类逼近算法的基础理论 | 第18-25页 |
| 2.1 三次样条插值 | 第18-20页 |
| 2.1.1 样条函数定义 | 第18-19页 |
| 2.1.2 三次样条插值问题 | 第19页 |
| 2.1.3 三次样条插值的计算步骤 | 第19-20页 |
| 2.2 T-S神经网络模型 | 第20-22页 |
| 2.2.1 前件网络 | 第20-21页 |
| 2.2.2 后件网络 | 第21-22页 |
| 2.2.3 T-S模糊神经网络的学习算法 | 第22页 |
| 2.3 小波神经网络模型 | 第22-25页 |
| 2.3.1 小波神经网络预测模型的选择 | 第22-23页 |
| 2.3.2 小波神经网络结构图 | 第23-24页 |
| 2.3.3 小波神经网络的优势 | 第24页 |
| 2.3.4 小波神经网络的学习过程 | 第24-25页 |
| 3 基于变换的权重分担值样条插值预测算法及其在陶瓷艺术品收益中的应用 | 第25-32页 |
| 3.1 高维数据概念 | 第25页 |
| 3.2 高维数据分类概述 | 第25-27页 |
| 3.3 基于变换的权重分担值样条插值预测算法 | 第27-28页 |
| 3.4 数值仿真 | 第28-30页 |
| 3.5 本章小结 | 第30-32页 |
| 4 基于统计变换的T-S模糊神经网络算法及其在陶瓷艺术定价中的应用 | 第32-40页 |
| 4.1 统计及统计数据质量的基本内涵 | 第32-33页 |
| 4.2 统计方法分析及其种类 | 第33-34页 |
| 4.3 利用统计方法及修正变换得到各因素的定量数据 | 第34-38页 |
| 4.4 T-S模糊神经网络算法在陶瓷评价中的应用 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 5 基于关联变权的小波神经网络算法及变异系数法在艺术陶瓷定价中的应用 | 第40-45页 |
| 5.1 影响陶瓷价格因素确立及数据准备 | 第40-41页 |
| 5.2 关联变权的小波神经网络算法对艺术陶瓷定价的研究 | 第41-44页 |
| 5.3 本章小结 | 第44-45页 |
| 6 总结 | 第45-46页 |
| 致谢 | 第46-47页 |
| 参考文献 | 第47-49页 |
| 附录 | 第49-54页 |
