| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 主要研究内容 | 第9-10页 |
| 1.4 论文主要工作和组织结构 | 第10-12页 |
| 第2章 相关概念及技术介绍 | 第12-21页 |
| 2.1 GeneticProgramming算法 | 第12-15页 |
| 2.2 深度学习 | 第15-17页 |
| 2.2.1 卷积神经网络 | 第15-16页 |
| 2.2.2 循环神经网络 | 第16-17页 |
| 2.3 DBSCAN聚类算法 | 第17-18页 |
| 2.4 粒子群优化算法(ParticleSwarmOptimization,PSO) | 第18-19页 |
| 2.5 多标签分类 | 第19-20页 |
| 2.6 本章小结 | 第20-21页 |
| 第3章 基于机器学习的符号回归算法框架 | 第21-24页 |
| 3.1 GPML算法框架 | 第21-22页 |
| 3.2 本章小结 | 第22-24页 |
| 第4章 基于数据特征的种群初始化方法 | 第24-39页 |
| 4.1 DL-HIM种群初始化算法 | 第24-25页 |
| 4.2 基于CNN的基础符号选择算法 | 第25-29页 |
| 4.2.1 训练数据构建 | 第26-27页 |
| 4.2.2 CNN网络设计 | 第27-29页 |
| 4.3 基于CNN-RNN编码解码器网络的补充符号生成算法 | 第29-32页 |
| 4.3.1 CNN-RNN编码解码网络设计 | 第30-31页 |
| 4.3.2 基于RNN的解码器 | 第31-32页 |
| 4.4 HierarchyInit分层种群初始化算法 | 第32-37页 |
| 4.4.1 HierarchyIndGen个体生成算法 | 第33-35页 |
| 4.4.2 HierarchyInit算法描述 | 第35-37页 |
| 4.5 本章小结 | 第37-39页 |
| 第5章 基于聚类的种群变异算法 | 第39-48页 |
| 5.1 粒子群常数优化算法 | 第40-42页 |
| 5.2 基于DBSCAN的种群变异算法 | 第42-47页 |
| 5.2.1 个体距离测度算法 | 第43-45页 |
| 5.2.2 DBSCANMutation算法描述 | 第45-47页 |
| 5.3 本章小结 | 第47-48页 |
| 第6章 实验分析 | 第48-65页 |
| 6.1 数据与参数 | 第48-50页 |
| 6.2 基于CNN的基础符号选择算法实验分析 | 第50-53页 |
| 6.3 基于CNN-RNN编码解码器网络的补充符号生成算法实验分析 | 第53-55页 |
| 6.4 HierarchyInit分层种群初始化算法实验分析 | 第55-60页 |
| 6.5 基于DBSCAN的种群变异算法实验分析 | 第60-63页 |
| 6.6 GPML算法实验分析 | 第63-65页 |
| 第7章 结论 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 附录 A 基准数据公式 | 第73-76页 |
| 致谢 | 第76页 |
