首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--人工神经网络与计算论文

基于神经网络的数据挖掘分类算法比较和分析研究

摘要第1-4页
Abstract第4-8页
第一章 绪论第8-13页
   ·课题背景第8-11页
     ·数据挖掘基础第8页
     ·数据挖掘的应用第8-9页
     ·人工神经网络基础第9-10页
     ·人工神经网络方法在数据挖掘中的应用第10-11页
   ·本文研究的主要内容和结构第11-13页
     ·本文主要研究内容第11页
     ·本文主要研究内容的组织结构第11-13页
第二章 数据挖掘与人工神经网络第13-23页
   ·数据挖掘第13-17页
     ·数据挖掘的定义第13页
     ·数据挖掘的基本过程第13-15页
     ·数据挖掘的任务第15-16页
     ·常用的数据挖掘算法第16-17页
   ·人工神经网络第17-22页
     ·人工神经元模型第17-18页
     ·人工神经网络的模型第18-20页
     ·人工神经网络的学习方式第20-21页
     ·数据挖掘中几种常用的人工神经网络模型第21页
     ·基于人工神经网络的数据挖掘过程及优缺点第21-22页
   ·本章小结第22-23页
第三章 极限学习机的理论基础第23-33页
   ·引言第23页
   ·BP神经网络第23-25页
     ·BP神经网络的网络结构第23-24页
     ·BP神经网络的算法描述第24-25页
   ·支持向量机第25-28页
     ·SVM网络结构第25-26页
     ·SVM网络算法描述第26-28页
     ·LIBSVM工具箱介绍第28页
   ·极限学习机第28-32页
     ·极限学习机的概述第28-29页
     ·极限学习机的网络结构第29-31页
     ·极限学习机算法描述第31-32页
   ·本章小结第32-33页
第四章 实验结果分析第33-62页
   ·引言第33页
   ·“鲍鱼年龄”的分类第33-36页
     ·“鲍鱼年龄”集的介绍第33-34页
     ·利用BP神经网络算法对“鲍鱼年龄”集分类第34-35页
     ·利用ELM神经网络算法对“鲍鱼年龄”集分类第35页
     ·利用SVM神经网络算法对“鲍鱼年龄”集分类第35-36页
   ·“是否患有心脏病”的分类第36-39页
     ·“是否患有心脏病”集的介绍第36-37页
     ·利用BP神经网络算法对“是否患有心脏病”集分类第37-38页
     ·利用ELM神经网络算法对“是否患有心脏病”集分类第38-39页
     ·利用SVM神经网络算法对“是否患有心脏病”集分类第39页
   ·“癌症患者生存期”的分类第39-42页
     ·“癌症患者生存期”集的介绍第39-40页
     ·利用BP神经网络算法对“癌症患者生存期”集分类第40-41页
     ·利用ELM神经网络算法对“癌症患者生存期”集分类第41-42页
     ·利用SVM神经网络算法对“癌症患者生存期”集分类第42页
   ·“小麦种子”的分类第42-45页
     ·“小麦种子”集的介绍第42-43页
     ·利用BP神经网络算法对“小麦种子”集分类第43-44页
     ·利用ELM神经网络算法对“小麦种子”集分类第44-45页
     ·利用SVM神经网络算法对“小麦种子”集分类第45页
   ·“印第安人糖尿病”的分类第45-48页
     ·“印第安人糖尿病”集的介绍第45-46页
     ·利用BP神经网络算法对“印第安人糖尿病”集分类第46-47页
     ·利用ELM神经网络算法对“印第安人糖尿病”集分类第47-48页
     ·利用SVM神经网络算法对“印第安人糖尿病”集分类第48页
   ·“葡萄酒种类”的分类第48-51页
     ·“葡萄酒种类”集的介绍第48-49页
     ·利用BP神经网络算法对“葡萄酒种类”集分类第49-50页
     ·利用ELM神经网络算法对“葡萄酒种类”集分类第50-51页
     ·利用SVM神经网络算法对“葡萄酒种类”集分类第51页
   ·本章小结第51-62页
     ·数据集的比较分析第51-52页
     ·几种算法的比较研究第52-60页
     ·小结第60-62页
第五章 总结与展望第62-63页
参考文献第63-66页
附录A 图索引第66-67页
Appendix A Figure Index第67-68页
附录B 表索引第68-70页
Appendix B Table Index第70-72页
致谢第72-73页
攻读硕士学位期间发表的论文第73页

论文共73页,点击 下载论文
上一篇:基于Mean Shift的视频目标跟踪算法的研究与改进
下一篇:基于情感词典与规则结合的微博情感分析模型研究