基于AHP-MGABP-SI的农业保险可持续发展评价研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 农业保险可持续发展评价研究现状 | 第10页 |
| 1.2.2 神经网络研究现状 | 第10-11页 |
| 1.2.3 选择性神经网络集成研究现状 | 第11-12页 |
| 1.3 本文研究内容与论文结构 | 第12-13页 |
| 2 农业保险评价方法及相关技术 | 第13-25页 |
| 2.1 农业保险可持续发展评价指标体系 | 第13-14页 |
| 2.1.1 指标评价体系的构建思路 | 第13-14页 |
| 2.1.2 评价指标体系构建原则 | 第14页 |
| 2.1.3 典型省份代表的选取依据 | 第14页 |
| 2.2 层次分析法 | 第14-16页 |
| 2.3 神经网络 | 第16-20页 |
| 2.3.1 机器学习 | 第16-17页 |
| 2.3.2 神经网络的结构和算法 | 第17页 |
| 2.3.3 神经网络的学习率 | 第17-19页 |
| 2.3.4 神经网络权值调整过程 | 第19-20页 |
| 2.4 遗传算法 | 第20-21页 |
| 2.5 信息熵 | 第21-22页 |
| 2.6 集成学习算法 | 第22-23页 |
| 2.6.1 集成学习概念 | 第22页 |
| 2.6.2 集成学习的意义 | 第22-23页 |
| 2.7 本章小结 | 第23-25页 |
| 3 AHP-MGABP-SI评价模型构建 | 第25-42页 |
| 3.1 多子代遗传算法的提出 | 第25-27页 |
| 3.2 MGABP模型 | 第27-31页 |
| 3.3 AHP-MGABP评价模型 | 第31-32页 |
| 3.4 选择性集成学习方案提出 | 第32-36页 |
| 3.4.1 抽样方法实现集成学习多样性 | 第32-34页 |
| 3.4.2 选择性集成实现集成学习准确率 | 第34-36页 |
| 3.5 AHP-MGABP-SI评价模型 | 第36-41页 |
| 3.5.1 基学习器的评价模型 | 第36-39页 |
| 3.5.2 集成学习器的评价模型 | 第39-41页 |
| 3.6 本章小结 | 第41-42页 |
| 4 实验结果与分析 | 第42-61页 |
| 4.1 实验环境及数据获取 | 第42-44页 |
| 4.2 实验过程及结果分析 | 第44-60页 |
| 4.2.1 基于层次分析法的先验评价样本获取 | 第46-51页 |
| 4.2.2 基于信息增益率的指标集选择 | 第51-54页 |
| 4.2.3 基于MGABP的集成结果与分析 | 第54-60页 |
| 4.3 本章小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读学位期间发表的学术论文 | 第66-67页 |
| 致谢 | 第67-68页 |
