| 中文摘要 | 第1页 |
| ABSTRACT | 第3-7页 |
| 第一章 引言 | 第7-10页 |
| ·KDD技术与应用研究现状 | 第7页 |
| ·我国感光材料领域数据分析现状 | 第7-8页 |
| ·选题背景和意义 | 第8-9页 |
| ·课题研究内容 | 第9-10页 |
| 第二章 感光材料领域数据特点和KDD技术比较 | 第10-16页 |
| ·感光材料领域数据特点 | 第10页 |
| ·KDD技术分析比较 | 第10-15页 |
| ·数据挖掘技术的比较与分析 | 第10-11页 |
| ·统计类数据挖掘技术 | 第11-12页 |
| ·知识类数据挖掘工具 | 第12-15页 |
| ·其他数据挖掘工具 | 第15页 |
| ·KDD技术在感光材料数据分析应用中的选择 | 第15-16页 |
| 第三章 感光材料数据预处理 | 第16-20页 |
| ·感光材料数据库的建立 | 第16页 |
| ·数据的关联 | 第16-18页 |
| ·数据预处理 | 第18-20页 |
| 第四章 感光材料专家系统体系结构 | 第20-27页 |
| ·专家系统概述 | 第20-21页 |
| ·感光材料数据分析专家系统的构造环境 | 第21-22页 |
| ·感光材料数据分析专家系统结构 | 第22-24页 |
| ·KDD 辅助感光材料数据分析模型 | 第22页 |
| ·感光材料数据分析专家系统结构 | 第22-23页 |
| ·感光材料数据分析专家系统硬件环境 | 第23-24页 |
| ·感光材料数据分析专家系统软件结构 | 第24页 |
| ·感光材料数据分析专家系统的知识获取 | 第24-27页 |
| ·知识获取的概念和过程 | 第24-25页 |
| ·感光材料领域的知识获取 | 第25-27页 |
| 第五章 感光材料数据分析知识表示 | 第27-37页 |
| ·知识及其表示 | 第27-28页 |
| ·感光材料数据分析领域知识 | 第28-29页 |
| ·乳剂质量分析树 | 第28-29页 |
| ·感光材料数据分析知识特性 | 第29页 |
| ·感光材料数据分析知识表示方法 | 第29-32页 |
| ·规则和框架方式表示专家知识 | 第29页 |
| ·数据相关神经网络模型知识表示 | 第29-31页 |
| ·基于框架的感光材料知识表示 | 第31-32页 |
| ·感光材料数据分析知识库 | 第32页 |
| ·知识搜索技术 | 第32-33页 |
| ·感光材料数据分析推理控制策略 | 第33-37页 |
| ·基于事例的推理控制策略 | 第33-35页 |
| ·基于神经网络的知识推理控制策略 | 第35-37页 |
| 第六章 ANNs在感光材料数据分析中的应用 | 第37-55页 |
| ·ANNs 技术与算法 | 第37-41页 |
| ·人工神经网络概述 | 第37-38页 |
| ·典型神经网络模型 | 第38-39页 |
| ·反向传播学习的BP 神经网络模型 | 第39-40页 |
| ·BP 网络神经元的数学模型 | 第40-41页 |
| ·应用 BP 算法进行彩色胶卷乳剂数据分析 | 第41-47页 |
| ·GBR100彩色胶卷乳剂数据 | 第41-42页 |
| ·GBR100彩色胶卷乳剂数据BP 网络模型 | 第42页 |
| ·BP 算法的选择和实现 | 第42-44页 |
| ·神经网络知识模型的物理表示 | 第44-45页 |
| ·P 神经网络模型的训练 | 第45-46页 |
| ·利用BP 算法分析彩色胶卷乳剂感光度S 和反差R | 第46-47页 |
| ·基于 BP 网络的最近距离数据分析技术 | 第47-51页 |
| ·基于 BP 网络的过程因素影响向量 | 第47-48页 |
| ·样本 BP 网络距离 | 第48页 |
| ·基于 BP 网络的最近距离数据分析技术 | 第48-49页 |
| ·基于 BP 网络的最近距离数据分析技术应用 | 第49-51页 |
| ·感光材料数据分析原型系统 | 第51-55页 |
| ·原型系统的功能 | 第51-52页 |
| ·模型训练和模型检验 | 第52-54页 |
| ·原型系统的使用 | 第54-55页 |
| 第七章 结束语 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 在学期间发表的学术论文和参加科研情况 | 第60页 |