| 引言 | 第1-8页 |
| 1 人工神经网络和专家系统结合的必要性、可行性及实效性发 | 第8-14页 |
| 1．1 专家系统简介 | 第8-10页 |
| 1．2 人工神经网络 | 第10-13页 |
| 1．3 ES同ANN结合的必要性、可行性及实效性 | 第13-14页 |
| 1．3．1 ES在开发使用中存在无法克服的缺点 | 第13页 |
| 1．3．2 人工神经网络的局限性 | 第13-14页 |
| 2 基于ANN的ES及专家系统工具的国内外研究现状 | 第14-15页 |
| 2．1 基于ANN的ES在国内外的研究现状 | 第14-15页 |
| 2．2 基于ANN的EST在国内外的研究现状 | 第15页 |
| 2．3 本文的研究内容 | 第15页 |
| 3 ANNEST总体设计 | 第15-18页 |
| 3．1 总体结构 | 第16页 |
| 3．2 ANNEST的组成及整体功能 | 第16-17页 |
| 3．3 系统开发环境 | 第17-18页 |
| 4 知识表示 | 第18-20页 |
| 4．1 传统知识表示方法 | 第18页 |
| 4．2 面向对象的知识表示 | 第18-20页 |
| 5 知识获取 | 第20-31页 |
| 5．1 知识获取的方法简述 | 第21-22页 |
| 5．2 人工神经网络知识获取方法 | 第22-23页 |
| 5．3 BP算法 | 第23-24页 |
| 5．4 网络结构设置 | 第24-25页 |
| 5．4．1 输入输出节点数 | 第24页 |
| 5．4．2 初始权值确定 | 第24-25页 |
| 5．4．3 隐层及其节点数的选择 | 第25页 |
| 5．5 改造BP算法学习过程 | 第25-29页 |
| 5．5．1 网络训练步骤 | 第26-29页 |
| 5．5．2 学习率η的动态调整 | 第29页 |
| 5．5．3 动量项α的选取 | 第29页 |
| 5．6 其他知识的获取 | 第29-30页 |
| 5．7 知识存储、维护及更新 | 第30-31页 |
| 5．7．1 神经网络知识存储 | 第30-31页 |
| 5．7．2 知识维护更新 | 第31页 |
| 6 推理机制及解释机制 | 第31-37页 |
| 6．1 神经网络推理机制 | 第31-32页 |
| 6．2 神经网络输出结果向描述性知识的转换 | 第32页 |
| 6．3 专家系统推理机制 | 第32-36页 |
| 6．3．1 推理机的分析与设计 | 第33页 |
| 6．3．2 主推理机 | 第33页 |
| 6．3．3 实例对象推理 | 第33-36页 |
| 6．4 解释机制 | 第36-37页 |
| 6．4．1 神经网络推理的解释方法 | 第36-37页 |
| 6．4．2 专家系统推理的解释方法 | 第37页 |
| 7 用户界面 | 第37-39页 |
| 7．1 专家界面 | 第38页 |
| 7．2 用户界面 | 第38页 |
| 7．3 安全性维护 | 第38-39页 |
| 8 “预测棉铃虫发病趋势的神经网络专家系统”的建造 | 第39-46页 |
| 8．1 专家建造过程 | 第39-46页 |
| 8．1．1 特征因子选择 | 第39页 |
| 8．1．2 网络参数配置 | 第39-41页 |
| 8．1．3 样本数据处理 | 第41-42页 |
| 8．1．4 训练网络 | 第42-44页 |
| 8．1．5 网络训练结果分析 | 第44-45页 |
| 8．1．6 对网络结果分析及专家建议 | 第45-46页 |
| 8．2 结果 | 第46页 |
| 9 专家系统和人工神经网络集成的讨论 | 第46-48页 |
| 9．1 集成的概念 | 第46页 |
| 9．2 集成模式与集成结构 | 第46-47页 |
| 9．3 对神经网络与专家系统结合的尝试 | 第47-48页 |
| 9．3．1 ANN和ES的结合模式 | 第47页 |
| 9．3．2 ANN和ES的集成结构 | 第47-48页 |
| 10 结论 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 英文摘要 | 第53-54页 |
| 致谢 | 第54页 |
