| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 引言 | 第7-11页 |
| 1.1 论文研究背景和意义 | 第7-8页 |
| 1.2 论文的主要内容及创新 | 第8-9页 |
| 1.2.1 论文的主要内容 | 第8-9页 |
| 1.2.2 论文的创新点 | 第9页 |
| 1.3 论文的基本框架 | 第9-11页 |
| 2 数据挖掘及常用算法 | 第11-14页 |
| 2.1 数据挖掘概念 | 第11页 |
| 2.2 数据挖掘的基本步骤 | 第11-12页 |
| 2.3 数据挖掘的算法 | 第12-13页 |
| 2.4 本文应用的数据挖掘软件 | 第13页 |
| 2.5 本章小结 | 第13-14页 |
| 3 GA-BP神经网络在陶瓷原料分类中的应用 | 第14-24页 |
| 3.1 神经网络算法 | 第14页 |
| 3.2 神经网络的结构与特点 | 第14-15页 |
| 3.3 BP神经网络 | 第15-18页 |
| 3.3.1 BP神经网络算法的概述 | 第15-16页 |
| 3.3.2 BP神经网络的学习算法 | 第16-18页 |
| 3.3.3 BP神经网络参数的设置 | 第18页 |
| 3.4 遗传算法 | 第18-20页 |
| 3.4.1 遗传算法概述 | 第18-19页 |
| 3.4.2 遗传算法基本操作和运算流程 | 第19-20页 |
| 3.5 陶瓷原料等级分类的现状 | 第20页 |
| 3.6 GA-BP神经网络在陶瓷原料分类中的应用 | 第20-23页 |
| 3.6.1 GA-BP神经网络模型 | 第20-21页 |
| 3.6.2 模型网络样本及输出的设计 | 第21-22页 |
| 3.6.3 GA-BP神经网络实验结果与分析 | 第22-23页 |
| 3.7 本章小结 | 第23-24页 |
| 4 关联规则挖掘在陶瓷釉料配方实验选择的应用 | 第24-34页 |
| 4.1 关联规则算法概述 | 第24-25页 |
| 4.1.1 关联规则算法的简介 | 第24页 |
| 4.1.2 关联规则算法的基本概念 | 第24-25页 |
| 4.2 APRIORI算法 | 第25-27页 |
| 4.2.1 APRIORI算法原理 | 第25页 |
| 4.2.2 APRIORI算法流程 | 第25-26页 |
| 4.2.3 APRIORI算法的评估度量 | 第26-27页 |
| 4.3 陶瓷釉料配方的现状 | 第27-28页 |
| 4.4 APRIORI算法在陶瓷釉料配方实验选择中的应用 | 第28-32页 |
| 4.5 实验结果分析 | 第32页 |
| 4.6 本章小节 | 第32-34页 |
| 5 聚类分析对边缘检测算法改进在古陶瓷裂纹修复中的应用 | 第34-44页 |
| 5.1 边缘检测算法的原理 | 第34页 |
| 5.2 边缘检测算子 | 第34-36页 |
| 5.3 聚类分析 | 第36-39页 |
| 5.3.1 聚类的概念 | 第36-37页 |
| 5.3.2 聚类分析的定义 | 第37页 |
| 5.3.3 聚类分析的方法 | 第37-38页 |
| 5.3.4 聚类分析常用的距离公式 | 第38-39页 |
| 5.4 K-Means算法 | 第39-40页 |
| 5.4.1 K-Means算法的定义 | 第39页 |
| 5.4.2 K-Means算法的流程 | 第39-40页 |
| 5.5 古陶瓷修复的现状 | 第40-41页 |
| 5.6 K-Means算法对边缘检测的改进在古陶瓷修复中的应用 | 第41-43页 |
| 5.7 实验结果分析 | 第43页 |
| 5.8 本章小结 | 第43-44页 |
| 6 结论与展望 | 第44-46页 |
| 6.1 结论 | 第44页 |
| 6.2 展望 | 第44-46页 |
| 致谢 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 附录 | 第50-54页 |
