| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.1.1 制图综合的发展历程 | 第11页 |
| 1.1.2 制图综合的智能化需求 | 第11-12页 |
| 1.1.3 研究居民地自动选取的意义 | 第12页 |
| 1.2 研究现状及对策分析 | 第12-16页 |
| 1.2.1 居民地选取研究现状 | 第12-15页 |
| 1.2.2 当前存在问题与分析 | 第15-16页 |
| 1.2.3 本文的解决方法 | 第16页 |
| 1.3 研究内容及组织结构 | 第16-21页 |
| 1.3.1 主要研究内容 | 第16-17页 |
| 1.3.2 技术路线 | 第17-18页 |
| 1.3.3 论文组织结构 | 第18-21页 |
| 第二章 居民地选取和案例推理相关理论与技术 | 第21-31页 |
| 2.1 居民地选取影响因子 | 第21-25页 |
| 2.1.1 居民地选取影响因子的分类 | 第21页 |
| 2.1.2 居民地自身影响因子 | 第21-22页 |
| 2.1.3 居民地之间影响因子 | 第22-24页 |
| 2.1.4 居民地与其他要素间影响因子 | 第24-25页 |
| 2.2 案例推理相关理论与技术 | 第25-27页 |
| 2.2.1 案例推理的技术思想 | 第25-26页 |
| 2.2.2 案例推理的实现过程 | 第26页 |
| 2.2.3 案例推理与制图综合 | 第26-27页 |
| 2.2.4 案例推理的优势分析 | 第27页 |
| 2.3 居民地案例推理选取的相关指标 | 第27-30页 |
| 2.3.1 案例相似度 | 第27-28页 |
| 2.3.2 时间复杂度 | 第28页 |
| 2.3.3 数据集的分配与验证方法 | 第28-29页 |
| 2.3.4 性能评估指标 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于KNN的居民地案例推理选取方法 | 第31-43页 |
| 3.1 KNN算法基本思想及优势分析 | 第31-32页 |
| 3.1.1 KNN算法基本思想 | 第31-32页 |
| 3.1.2 KNN算法的优势 | 第32页 |
| 3.2 基于KNN算法的居民地案例的设计与构建 | 第32-35页 |
| 3.2.1 居民地案例的获取 | 第33页 |
| 3.2.2 居民地案例的描述 | 第33-34页 |
| 3.2.3 居民地属性的预处理 | 第34页 |
| 3.2.4 居民地属性的筛选 | 第34-35页 |
| 3.3 基于KNN算法的居民地案例匹配方法 | 第35-37页 |
| 3.3.1 基于KNN的居民地案例匹配机制 | 第35-36页 |
| 3.3.2 案例匹配机制中K值的选择方法 | 第36-37页 |
| 3.3.3 案例匹配机制中最佳K值的确定 | 第37页 |
| 3.4 实验与分析 | 第37-42页 |
| 3.4.1 实验数据准备 | 第37-38页 |
| 3.4.2 实验流程设计 | 第38-39页 |
| 3.4.3 实验结果与分析 | 第39-40页 |
| 3.4.4 对比实验与分析 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于迭代注水原理和距离加权的模型优化方法 | 第43-55页 |
| 4.1 研究思路 | 第43页 |
| 4.2 基于迭代注水原理的居民地属性约简方法 | 第43-47页 |
| 4.2.1 属性约简与赋权重方法的不足 | 第44页 |
| 4.2.2 基于注水原理赋权重的基本思想 | 第44-46页 |
| 4.2.3 基于迭代注水原理的属性约简方案 | 第46-47页 |
| 4.3 基于距离加权的KNN案例推理选取模型优化方法 | 第47-50页 |
| 4.3.1 K个近邻主次问题对分类结果的影响 | 第47-48页 |
| 4.3.2 基于距离加权的模型优化基本思想 | 第48-49页 |
| 4.3.3 基于距离加权的模型优化方案 | 第49-50页 |
| 4.4 实验与分析 | 第50-54页 |
| 4.4.1 实验数据准备 | 第50页 |
| 4.4.2 实验流程设计 | 第50-51页 |
| 4.4.3 方法验证与分析 | 第51-54页 |
| 4.5 方法优势分析 | 第54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 基于分层处理和KD树的模型优化方法 | 第55-64页 |
| 5.1 研究思路 | 第55页 |
| 5.2 基于分层处理的居民地选取 | 第55-57页 |
| 5.2.1 分层处理方案的设计依据 | 第55-56页 |
| 5.2.2 案例库的分层处理及分析 | 第56-57页 |
| 5.3 基于KD树优化的居民地选取 | 第57-59页 |
| 5.3.1 KD树基本概念及思想 | 第57页 |
| 5.3.2 KD树的构造 | 第57-58页 |
| 5.3.3 用KD树实现K近邻查询 | 第58-59页 |
| 5.4 实验与分析 | 第59-62页 |
| 5.4.1 实验数据准备 | 第59页 |
| 5.4.2 实验流程设计 | 第59-60页 |
| 5.4.3 方法实验与分析 | 第60-61页 |
| 5.4.4 对比实验与分析 | 第61-62页 |
| 5.5 方法优势分析 | 第62-63页 |
| 5.6 本章小结 | 第63-64页 |
| 第六章 实验系统设计与实现 | 第64-75页 |
| 6.1 系统的总体结构设计 | 第64-65页 |
| 6.2 系统的主要组成部分 | 第65-67页 |
| 6.3 系统的核心功能展示 | 第67-74页 |
| 6.3.1 数据预处理 | 第67-68页 |
| 6.3.2 获取专家案例 | 第68页 |
| 6.3.3 居民地属性归纳 | 第68-70页 |
| 6.3.4 居民地属性的预处理 | 第70-71页 |
| 6.3.5 基于迭代注水原理和距离加权的模型优化 | 第71页 |
| 6.3.6 基于分层处理和KD树的模型优化 | 第71-73页 |
| 6.3.7 基于KNN的案例匹配 | 第73页 |
| 6.3.8 推理结果显示与评价 | 第73-74页 |
| 6.4 本章小结 | 第74-75页 |
| 第七章 总结与展望 | 第75-77页 |
| 7.1 全文总结 | 第75页 |
| 7.2 研究展望 | 第75-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 作者简历 | 第82页 |