| 摘要 | 第1-8页 |
| Abstract | 第8-17页 |
| 第1章 绪论 | 第17-31页 |
| ·课题研究背景及意义 | 第17-19页 |
| ·粗集神经网络集成的研究现状 | 第19-24页 |
| ·粗集神经网络综合集成系统 | 第20-22页 |
| ·粗边界神经网络 | 第22-23页 |
| ·粗—颗粒神经网络 | 第23-24页 |
| ·存在的问题及本文研究的重点 | 第24-26页 |
| ·粗集神经网络在模式识别中的应用 | 第26-27页 |
| ·本文的主要研究内容 | 第27-31页 |
| 第2章 集成模糊信息处理能力的粗集神经网络模型 | 第31-61页 |
| ·引言 | 第31-32页 |
| ·具有模糊化神经元的粗逻辑神经网络模型 | 第32-42页 |
| ·前言 | 第32-33页 |
| ·粗逻辑与决策 | 第33-35页 |
| ·粗逻辑神经网络设计 | 第35-37页 |
| ·遥感图像分类实验 | 第37-40页 |
| ·粗逻辑神经网络与模糊逻辑神经网络的比较 | 第40-42页 |
| ·小结 | 第42页 |
| ·集成模糊神经元和粗神经元的粗集神经网络模型 | 第42-51页 |
| ·前言 | 第42-43页 |
| ·粗集神经网络模型 | 第43-44页 |
| ·MFMHF 滤波器 | 第44页 |
| ·用于融合滤波的模糊粗神经网络 | 第44-47页 |
| ·图像实验 | 第47-50页 |
| ·小结 | 第50-51页 |
| ·基于模糊粗隶属函数的粗集神经网络模型 | 第51-61页 |
| ·前言 | 第51-52页 |
| ·基本知识 | 第52-53页 |
| ·模糊粗隶属函数神经网络 | 第53-56页 |
| ·实验结果与分析 | 第56-60页 |
| ·小结 | 第60-61页 |
| 第3章 基于变精度粗糙集的粗集神经网络模型 | 第61-76页 |
| ·引言 | 第61-62页 |
| ·变精度粗糙集模型及β近似约简 | 第62-63页 |
| ·β近似约简异常分析 | 第63-65页 |
| ·β近似约简的选取原则 | 第65-67页 |
| ·变精度粗糙规则集的提取及其阈值稳定性 | 第67-68页 |
| ·规则的评价指标 | 第67页 |
| ·变精度粗糙规则集的阈值稳定性 | 第67-68页 |
| ·变精度粗糙规则集提取和β阈值稳定区间求取算法 | 第68页 |
| ·变精度粗糙集神经网络的结构 | 第68-70页 |
| ·纹理图像分类实验 | 第70-75页 |
| ·纹理特征提取方法 | 第70-71页 |
| ·SVD 特征提取 | 第71-72页 |
| ·SVD 特征的PCA 分析 | 第72-73页 |
| ·纹理分类器设计及分类结果 | 第73-75页 |
| ·小结 | 第75-76页 |
| 第4章 基于粗糙集约简的神经网络集成方法 | 第76-95页 |
| ·引言 | 第76-77页 |
| ·神经网络集成原理 | 第77-78页 |
| ·粗糙集约简求取算法 | 第78-81页 |
| ·基于相对核的粗糙集相对约简求取算法 | 第78-79页 |
| ·基于遗传算法的粗糙集相对约简求取算法 | 第79-81页 |
| ·基于粗糙集约简的神经网络集成及其遥感图像分类应用 | 第81-89页 |
| ·基于粗糙集约简的神经网络集成模型 | 第81页 |
| ·结合遗传算法求约简和重采样技术的动态约简算法 | 第81-82页 |
| ·成员网络选取 | 第82-84页 |
| ·基于多数投票法的集成策略 | 第84页 |
| ·实验结果及分析 | 第84-88页 |
| ·小结 | 第88-89页 |
| ·基于样本扰动和特征约简选择的神经网络集成及其模式识别应用 | 第89-95页 |
| ·前言 | 第89页 |
| ·基于样本扰动和特征约简选择的神经网络集成模型 | 第89-90页 |
| ·基于 Boosting 或Bagging 及粗糙集约简的个体网络生成算法 | 第90-92页 |
| ·实验结果及分析 | 第92-94页 |
| ·小结 | 第94-95页 |
| 第5章 基于粗糙集聚类算法的RBF 神经网络模型 | 第95-109页 |
| ·引言 | 第95-96页 |
| ·基于粗糙集划分的监督聚类算法 | 第96-99页 |
| ·属性的离散化和初始决策模式的提取 | 第96页 |
| ·有监督的初始决策模式集的聚类 | 第96-99页 |
| ·粗糙集意义下的RBF 神经网络设计与训练 | 第99-102页 |
| ·粗糙集意义下的RBF 神经网络结构 | 第99-100页 |
| ·RBF 神经网络参数初始化 | 第100页 |
| ·RBF 神经网络的训练算法 | 第100-102页 |
| ·设计实例 | 第102-105页 |
| ·属性的离散化和初始决策模式的提取 | 第102-103页 |
| ·值约简、属性权值、初始决策模式差异度计算 | 第103-104页 |
| ·初始决策模式的聚类 | 第104-105页 |
| ·实验结果与分析 | 第105-107页 |
| ·实验数据 | 第105页 |
| ·模式分类实验 | 第105-107页 |
| ·混合学习算法的收敛性能 | 第107页 |
| ·小结 | 第107-109页 |
| 第6章 新型粗逻辑神经网络集成方法研究 | 第109-135页 |
| ·引言 | 第109-110页 |
| ·基于近似域划分的可变离散精度粗逻辑神经网络模型 | 第110-118页 |
| ·论域空间的近似域分割 | 第110-111页 |
| ·基于近似域划分的粗逻辑神经网络分类器设计 | 第111-114页 |
| ·遥感图像分类实验 | 第114-118页 |
| ·小结 | 第118页 |
| ·基于模糊粗糙模型的粗神经网络建模研究 | 第118-135页 |
| ·前言 | 第118-119页 |
| ·粗糙模型结构 | 第119-121页 |
| ·基于 FRM 的粗神经网络建模方法 | 第121-129页 |
| ·纹理图像分类实验 | 第129-134页 |
| ·小结 | 第134-135页 |
| 结论与展望 | 第135-139页 |
| 1. 结论 | 第135-137页 |
| 2. 展望 | 第137-139页 |
| 参考文献 | 第139-153页 |
| 附录 A（攻读博士学位期间发表的论文） | 第153-155页 |
| 附录 B（读博期间主持、参与的科研项目） | 第155-156页 |
| 致谢 | 第156页 |
