| 第一章 绪 论 | 第1-15页 |
| ·研究背景 | 第11-13页 |
| ·机器味觉和嗅觉的研究现状 | 第11-12页 |
| ·基于计算智能方法的机器味觉识别 | 第12-13页 |
| ·本文工作 | 第13-15页 |
| ·研究路线和方法 | 第13页 |
| ·主要研究内容和研究结果 | 第13-15页 |
| 第二章 计算智能相关理论 | 第15-43页 |
| ·引 言 | 第15-16页 |
| ·模糊系统 | 第16-25页 |
| ·模糊集合与隶属度函数 | 第16-18页 |
| ·经典集合及其特征函数 | 第16-17页 |
| ·模糊集合及其隶属度函数 | 第17页 |
| ·常用的隶属度函数 | 第17-18页 |
| ·模糊规则与模糊推理 | 第18-25页 |
| ·语言变量 | 第19页 |
| ·模糊关系 | 第19-20页 |
| ·模糊if-then规则 | 第20-22页 |
| ·模糊推理 | 第22-24页 |
| ·模糊系统 | 第24-25页 |
| ·模糊系统研究中的一些难点问题 | 第25页 |
| ·人工神经网络 | 第25-31页 |
| ·人工神经网络模型 | 第26-28页 |
| ·人工神经元模型 | 第26-27页 |
| ·人工神经网络的拓扑结构 | 第27页 |
| ·人工神经网络的知识表示 | 第27页 |
| ·人工神经网络的学习 | 第27-28页 |
| ·多层前向神经网络 | 第28-30页 |
| ·多层前向神经网络的函数逼近能力 | 第28-29页 |
| ·多层前向神经网络的学习 | 第29-30页 |
| ·自适应网络 | 第30-31页 |
| ·多层前向神经网络研究中一些难点问题 | 第31页 |
| ·进化计算 | 第31-42页 |
| ·遗传算法 | 第32-35页 |
| ·遗传算法的基本流程 | 第32-34页 |
| ·模式定理和遗传算法的隐并行性 | 第34-35页 |
| ·粒子群优化算法 | 第35-41页 |
| ·粒子群优化算法的迭代公式 | 第35-36页 |
| ·粒子群优化算法中的群体社会行为分析 | 第36-37页 |
| ·粒子群优化算法的收敛性 | 第37-40页 |
| ·二进制粒子群优化算法 | 第40-41页 |
| ·进化计算研究中的一些难点问题 | 第41-42页 |
| ·计算智能研究的发展趋势 | 第42页 |
| ·小 结 | 第42-43页 |
| 第三章 味觉信号采集和特征提取 | 第43-46页 |
| ·味觉传感器 | 第43-44页 |
| ·味觉信号的采集与特征提取(以11种矿泉水为例) | 第44-45页 |
| ·小 结 | 第45-46页 |
| 第四章 基于聚类方法的模糊神经网络味觉信号识别系统模型 | 第46-56页 |
| ·模糊输入空间划分和规则提取 | 第46-50页 |
| ·模糊输入空间划分问题 | 第46-47页 |
| ·模糊输入空间划分策略 | 第47-48页 |
| ·基于熵聚类方法的模糊输入空间划分和规则提取 | 第48-50页 |
| ·基于熵聚类方法的模糊输入空间划分 | 第48-50页 |
| ·模糊if-then规则提取 | 第50页 |
| ·模糊神经网络系统模型 | 第50-53页 |
| ·模糊神经网络系统结构 | 第51-52页 |
| ·模糊神经网络系统学习 | 第52-53页 |
| ·实验分析和结论 | 第53-55页 |
| ·小 结 | 第55-56页 |
| 第五章 类覆盖问题的求解及其在味觉信号识别中的应用 | 第56-76页 |
| ·类覆盖问题 | 第56-58页 |
| ·类覆盖问题的定义 | 第56-57页 |
| ·扩展的类覆盖问题 | 第57-58页 |
| ·求解类覆盖问题 | 第58-59页 |
| ·求解类覆盖问题的贪心算法 | 第58页 |
| ·改进的贪心算法求解扩展类覆盖问题 | 第58-59页 |
| ·基于类覆盖方法的模糊神经网络模型 | 第59-63页 |
| ·模糊输入空间划分 | 第59-60页 |
| ·模糊神经网络模型 | 第60-61页 |
| ·模糊神经网络系统的学习 | 第61-63页 |
| ·味觉信号识别实验 | 第63-66页 |
| ·对味觉信号的类覆盖 | 第63-65页 |
| ·味觉信号识别 | 第65页 |
| ·实验结论 | 第65-66页 |
| ·求解扩展类覆盖问题的混合算法 | 第66-74页 |
| ·数据的存储 | 第66页 |
| ·生成类覆盖获取有向图对应的关联矩阵 | 第66-67页 |
| ·粒子的二进制编码 | 第67页 |
| ·粒子适应度函数 | 第67-69页 |
| ·粒子的迭代公式及参数分析 | 第69-72页 |
| ·混合算法 | 第72-74页 |
| ·类覆盖算法实验 | 第74-75页 |
| ·实验结果 | 第74-75页 |
| ·实验结论 | 第75页 |
| ·小 结 | 第75-76页 |
| 第六章 基于粗糙集方法的模糊空间划分和规则提取 | 第76-89页 |
| ·粗糙集中的连续信号离散化 | 第76-79页 |
| ·连续信号的离散化问题 | 第76-77页 |
| ·连续信号离散化算法 | 第77-79页 |
| ·基于粗糙集的模糊规则提取算法 | 第79-84页 |
| ·粗糙集分类规则提取算法 | 第79-83页 |
| ·由粗糙集分类规则生成模糊规则 | 第83-84页 |
| ·模糊神经网络模型及其学习算法 | 第84页 |
| ·实验分析 | 第84-88页 |
| ·味觉信号离散化和模糊规则提取算法实验 | 第84-87页 |
| ·味觉信号识别实验 | 第87-88页 |
| ·小 结 | 第88-89页 |
| 第七章 基于支持向量机的模糊分类系统模型 | 第89-103页 |
| ·引 言 | 第89页 |
| ·统计学习理论 | 第89-91页 |
| ·经验风险最小化 | 第89-90页 |
| ·VC维数 | 第90页 |
| ·结构风险最小化原理 | 第90-91页 |
| ·支持向量机 | 第91-93页 |
| ·支持向量机与正定模糊分类系统的等价性 | 第93-95页 |
| ·模糊分类系统的约简和优化 | 第95-99页 |
| ·支持向量机转化为模糊系统 | 第95-96页 |
| ·模糊集合贴进度和语言变量的约简 | 第96-97页 |
| ·模糊规则的约简 | 第97-98页 |
| ·约简后模糊系统的优化 | 第98-99页 |
| ·实验分析 | 第99-102页 |
| ·小 结 | 第102-103页 |
| 第八章 总结与展望 | 第103-106页 |
| ·本文的主要贡献 | 第103-104页 |
| ·本文提出的几种方法的比较 | 第104-105页 |
| ·进一步研究的方向 | 第105-106页 |
| 致 谢 | 第106-107页 |
| 参考文献 | 第107-113页 |
| 作者读博士期间发表的论文和参加的项目 | 第113-115页 |
| 学位论文摘要(中文) | 第115-118页 |
| 学位论文摘要(英文) | 第118-120页 |