| 提要 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文的研究工作 | 第15-18页 |
| 第2章 基于粗糙集的动态聚类 | 第18-28页 |
| 2.1 聚类分析 | 第18-19页 |
| 2.1.1 聚类分析简介 | 第18-19页 |
| 2.1.2 几种聚类分析算法 | 第19页 |
| 2.2 基于粗糙集的动态聚类 | 第19-23页 |
| 2.2.1 经典K均值算法 | 第19-20页 |
| 2.2.2 基于粗糙集的K均值算法 | 第20-22页 |
| 2.2.3 动态改进算法 | 第22-23页 |
| 2.3 算法实例 | 第23-27页 |
| 2.3.1 IRIS数据来源及流程 | 第23页 |
| 2.3.2 动态聚类的过程 | 第23-27页 |
| 2.3.3 IRIS动态聚类结果分析 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 综合延拓矩阵 | 第28-39页 |
| 3.1 预测算法 | 第28-31页 |
| 3.1.1 预测算法简介 | 第28页 |
| 3.1.2 多元线性回归 | 第28-29页 |
| 3.1.3 人工神经网络简介 | 第29-30页 |
| 3.1.4 几种神经网络预测算法 | 第30-31页 |
| 3.2 综合延拓矩阵 | 第31-34页 |
| 3.2.1 RBF神经网络 | 第31-32页 |
| 3.2.2 延拓矩阵及其缺点 | 第32-34页 |
| 3.3 综合延拓矩阵 | 第34-38页 |
| 3.3.1 主成分分析 | 第35页 |
| 3.3.2 综合延拓矩阵的实现 | 第35-37页 |
| 3.3.3 综合延拓矩阵的特点与优势 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 DRKM-RBF预测模型 | 第39-44页 |
| 4.1 RBF神经网络的缺点 | 第39页 |
| 4.2 DRKM-RBF神经网络预测模型 | 第39-41页 |
| 4.2.1 将KM与RBF结合 | 第40页 |
| 4.2.2 将RKM与RBF结合 | 第40-41页 |
| 4.2.3 基于DRKM-RBF算法模型 | 第41页 |
| 4.3 实现DRKM-RBF预测模型的步骤 | 第41-42页 |
| 4.4 DRKM-RBF模型分析 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 DRKM-RBF预测模型在公路货运量方面的预测 | 第44-52页 |
| 5.1 经济数据及公路货运量 | 第44-45页 |
| 5.2 公路货运量数据预处理 | 第45-48页 |
| 5.2.1 公路数据主成分分析 | 第46-47页 |
| 5.2.2 公路数据多元线性回归分析 | 第47-48页 |
| 5.2.3 公路数据的综合延拓矩阵 | 第48页 |
| 5.3 公路货运量数据预测模型 | 第48-51页 |
| 5.3.1 公路货运量样本聚类 | 第48-49页 |
| 5.3.2 建立DRKM-RBF预测模型 | 第49页 |
| 5.3.3 DRKM-RBF预测模型预测结果分析 | 第49-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第6章 DRKM-RBF预测模型在环糊精数据方面的预测 | 第52-61页 |
| 6.1 环糊精及其包合常数 | 第52页 |
| 6.2 环糊精包合常数数据预处理 | 第52-56页 |
| 6.2.1 环糊精数据的主成分分析 | 第52-54页 |
| 6.2.2 环糊精数据多元线性回归分析 | 第54-55页 |
| 6.2.3 环糊精数据的综合延拓矩阵 | 第55-56页 |
| 6.3 环糊精包合常数预测模型 | 第56-60页 |
| 6.3.1 训练样本的动态聚类 | 第56-57页 |
| 6.3.2 建立DRKM-RBF预测模型 | 第57-58页 |
| 6.3.3 环糊精DRKM-RBF预测模型结果分析 | 第58-60页 |
| 6.4 本章小结 | 第60-61页 |
| 第7章 总结及展望 | 第61-63页 |
| 7.1 全文总结 | 第61-62页 |
| 7.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 作者简介及在学期间所取得的科研成果 | 第68-69页 |
| 致谢 | 第69页 |
