| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第1章 绪论 | 第12-16页 |
| ·引言 | 第12页 |
| ·化学化工中复杂数据的信息挖掘 | 第12-14页 |
| ·模式分类技术在化学化工的重要作用 | 第14-15页 |
| ·本文内容组织 | 第15-16页 |
| 第2章 模式分类主要方法 | 第16-30页 |
| ·引言 | 第16-17页 |
| ·统计模式识别中的经典方法 | 第17-21页 |
| ·贝叶斯决策理论 | 第17-18页 |
| ·线性判别函数 | 第18-20页 |
| ·非线性判别函数 | 第20-21页 |
| ·神经网络和统计学习理论以及支持向量机 | 第21-23页 |
| ·规则学习 | 第23-28页 |
| ·决策树 | 第23-26页 |
| ·粗糙集方法学习规则 | 第26-28页 |
| ·规则学习与优化 | 第28页 |
| ·本章小结 | 第28-30页 |
| 第3章 最优化技术 | 第30-49页 |
| ·引言 | 第30页 |
| ·局部搜索与经典优化算法 | 第30-31页 |
| ·没有免费午餐定理 | 第31-32页 |
| ·现代启发式算法 | 第32-41页 |
| ·模拟退火 | 第32-33页 |
| ·进化计算 | 第33-37页 |
| ·禁忌搜索 | 第37-38页 |
| ·免疫算法 | 第38-39页 |
| ·粒子群算法 | 第39-41页 |
| ·蚁群优化算法 | 第41-47页 |
| ·蚁群优化算法的起源 | 第41-42页 |
| ·蚁群优化算法的发展 | 第42-43页 |
| ·基本蚁群优化算法 | 第43-45页 |
| ·新的蚁群算法研究思路 | 第45-46页 |
| ·蚁群算法改进 | 第46-47页 |
| ·本章小结 | 第47-49页 |
| 第4章 结合免疫机制的蚁群优化算法及其在模式分类中的应用 | 第49-76页 |
| ·引言 | 第49-50页 |
| ·免疫算法 | 第50-53页 |
| ·TSP与免疫算法 | 第50页 |
| ·抗体间差异度量 | 第50-51页 |
| ·疫苗提取 | 第51页 |
| ·交叉和变异 | 第51-52页 |
| ·接种疫苗 | 第52页 |
| ·免疫选择 | 第52-53页 |
| ·IM-ACO的构建及在TSP中的应用 | 第53-59页 |
| ·蚁群算法融合免疫机制——蚂蚁融入抗体群 | 第53页 |
| ·IM-ACO求解TSP的基本步骤 | 第53-54页 |
| ·试验结果与讨论 | 第54-59页 |
| ·IM-ACO用于规则学习及模式分类器的建立和使用 | 第59-71页 |
| ·IF-THEN规则的表述与评价 | 第60页 |
| ·规则学习与候选阈值 | 第60-63页 |
| ·ACO与规则学习 | 第63-66页 |
| ·IA与规则学习 | 第66-68页 |
| ·规则学习时的蚁群算法结合免疫机制——蚂蚁融入抗体群 | 第68-69页 |
| ·规则修剪 | 第69页 |
| ·IM-ACO规则学习及分类器的构建和使用 | 第69-71页 |
| ·IM-ACO模式分类器应用 | 第71-75页 |
| ·测试实例 | 第71页 |
| ·分类试验结果与讨论 | 第71-75页 |
| ·本章小结 | 第75-76页 |
| 第5章 总结与展望 | 第76-78页 |
| ·本文工作总结 | 第76-77页 |
| ·未来工作展望 | 第77-78页 |
| 参考文献 | 第78-85页 |
| 致谢 | 第85-86页 |
| 攻读硕士学位期间完成的论文及参与的科研项目 | 第86页 |
