基于人工智能的知识链模型及知识获取与表示研究
| 第一章 绪论 | 第1-15页 |
| ·研究背景及意义 | 第12页 |
| ·课题任务与研究对策 | 第12-14页 |
| ·本文的工作与主要贡献 | 第14-15页 |
| 第二章 基于人工智能的知识链模型 | 第15-30页 |
| ·知识与知识管理 | 第15-17页 |
| ·知识管理与人工智能 | 第17页 |
| ·知识链 | 第17-20页 |
| ·现有的知识链模型 | 第20-23页 |
| ·RICHARD的知识链模型 | 第20-21页 |
| ·HOLSAPPLE和SINGH的知识链模型 | 第21页 |
| ·两种模型的比较分析 | 第21-22页 |
| ·带有反馈的知识链模型 | 第22-23页 |
| ·基于人工智能的知识链模型的提出 | 第23-30页 |
| ·知识链的概念模型 | 第23-24页 |
| ·基于人工智能的知识链模型 | 第24-30页 |
| 第三章 知识链中的知识表示与获取 | 第30-53页 |
| ·知识表示 | 第30-31页 |
| ·基于XML的知识表示 | 第31-41页 |
| ·基于XML的显式知识表示设计 | 第33-39页 |
| ·基于XML的神经网络隐式知识表示设计 | 第39-41页 |
| ·知识获取 | 第41-45页 |
| ·人工获取 | 第43页 |
| ·自动获取／半自动获取 | 第43-45页 |
| ·人工获取方法——结构化情景分析 | 第45-53页 |
| ·准备阶段 | 第47页 |
| ·结构化情景分析阶段 | 第47-50页 |
| ·专家领域知识获取阶段 | 第50-52页 |
| ·总结 | 第52-53页 |
| 第四章 基于神经网络的知识获取 | 第53-73页 |
| ·人工神经网络概述 | 第53页 |
| ·基于神经网络的知识获取过程 | 第53-55页 |
| ·神经网络的训练 | 第55-61页 |
| ·神经网络的剪枝 | 第61-67页 |
| ·权重聚类剪枝 | 第62-63页 |
| ·N2P2F剪枝算法 | 第63-65页 |
| ·剪枝算法存在的问题及改进 | 第65-67页 |
| ·规则抽取 | 第67-71页 |
| ·RX算法 | 第68-70页 |
| ·RX算法的改进 | 第70-71页 |
| ·基于决策树的知识获取 | 第71-73页 |
| 第五章 知识获取实例——银行贷款风险预警 | 第73-102页 |
| ·背景介绍 | 第73页 |
| ·数据初始化 | 第73-76页 |
| ·网络训练 | 第76-82页 |
| ·最佳隐藏层节点数的确定 | 第76-78页 |
| ·误差函数的选择 | 第78-80页 |
| ·以最优的网络结构训练 | 第80-82页 |
| ·网络剪枝 | 第82页 |
| ·规则抽取 | 第82-88页 |
| ·基于决策树的知识获取 | 第88-91页 |
| ·基于结构的神经网络知识获取 | 第91-97页 |
| ·基于卡诺图的知识获取 | 第97-100页 |
| ·各种知识获取方法的结果比较分析 | 第100-102页 |
| 第六章 基于人工智能的知识获取系统的设计与实现 | 第102-106页 |
| ·知识获取系统的架构 | 第102-103页 |
| ·AIKA部分操作演示 | 第103-106页 |
| 第七章 总结和展望 | 第106-108页 |
| 致谢 | 第108-109页 |
| 在学期间发表论文 | 第109-110页 |
| 参考文献 | 第110-116页 |
| 附录 本文部分核心源代码 | 第116-133页 |
| 附录1 神经网络定义 | 第116-119页 |
| 附录2 网络训练与剪枝 | 第119-127页 |
| 附录3 SRE的规则抽取算法 | 第127-133页 |
