| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 研究现状及存在的主要问题 | 第14-18页 |
| 1.3.1 道路网选取基本原理和方法 | 第14-15页 |
| 1.3.2 几种典型的道路网选取方法 | 第15-17页 |
| 1.3.3 当前道路网选取方法存在的主要问题 | 第17-18页 |
| 1.4 研究内容及目标 | 第18-19页 |
| 1.4.1 研究内容 | 第18页 |
| 1.4.2 研究目标 | 第18页 |
| 1.4.3 研究策略 | 第18-19页 |
| 1.5 论文的组织结构 | 第19-21页 |
| 第二章 人工智能与制图综合 | 第21-28页 |
| 2.1 人工智能基础 | 第21-22页 |
| 2.1.1 人工智能的基本定义 | 第21页 |
| 2.1.2 人工智能的发展历程 | 第21-22页 |
| 2.2 人工智能与地图制图综合 | 第22-25页 |
| 2.2.1 自动制图综合存在的主要问题及改进策略 | 第22-23页 |
| 2.2.2 人工智能在制图综合中的应用现状 | 第23-25页 |
| 2.3 机器学习与地图制图综合 | 第25-27页 |
| 2.3.1 机器学习的概念 | 第25页 |
| 2.3.2 机器学习的基本结构 | 第25页 |
| 2.3.3 机器学习在制图综合中的应用 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 道路网案例与案例库的设计与管理 | 第28-35页 |
| 3.1 构建案例学习模式的意义 | 第28-29页 |
| 3.2 道路网案例的描述结构 | 第29-30页 |
| 3.3 道路网案例对象状态描述 | 第30-32页 |
| 3.4 道路网案例组织与管理 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 基于案例类比推理的道路网智能选取 | 第35-47页 |
| 4.1 CBR 模型 | 第35-36页 |
| 4.2 基于案例类比推理的道路网智能选取原理 | 第36页 |
| 4.3 案例库简化和案例泛化 | 第36-40页 |
| 4.3.1 案例库简化基本原理 | 第36-38页 |
| 4.3.2 案例泛化基本原理 | 第38-40页 |
| 4.4 基于案例类比推理的道路网智能选取流程 | 第40-41页 |
| 4.5 实验验证及结果分析 | 第41-46页 |
| 4.5.1 专家案例库生成 | 第41-42页 |
| 4.5.2 案例库简化 | 第42-43页 |
| 4.5.3 案例泛化 | 第43页 |
| 4.5.4 类比推理过程的科学性验证 | 第43-45页 |
| 4.5.5 对案例类比推理模型的科学性验证 | 第45-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第五章 基于案例归纳推理的道路网智能选取 | 第47-63页 |
| 5.1 基于案例归纳推理的道路网智能选取原理 | 第47页 |
| 5.2 归纳学习机制研究 | 第47-54页 |
| 5.2.1 C4.5 决策树基本原理 | 第47-49页 |
| 5.2.2 构建决策树 | 第49-54页 |
| 5.3 归纳推理结果 | 第54-57页 |
| 5.3.1 规则集的形成 | 第54页 |
| 5.3.2 规则集的简化 | 第54-56页 |
| 5.3.3 规则的使用 | 第56-57页 |
| 5.4 基于案例归纳推理的道路网智能选取流程 | 第57页 |
| 5.5 实验验证及结果分析 | 第57-61页 |
| 5.5.1 专家案例库生成 | 第57-59页 |
| 5.5.2 基于专家案例库的规则集生成 | 第59页 |
| 5.5.3 归纳推理过程的科学性验证 | 第59-60页 |
| 5.5.4 归纳推理获取规则的适用性验证 | 第60-61页 |
| 5.5.5 进一步提高本方法综合结果正确性的措施 | 第61页 |
| 5.6 本章小结 | 第61-63页 |
| 第六章 案例库案例数据噪声降低策略研究 | 第63-78页 |
| 6.1 案例库数据预降噪策略 | 第64-65页 |
| 6.2 类比推理中案例库数据后降噪策略研究 | 第65-70页 |
| 6.2.1 案例库数据噪声对类比推理的影响 | 第65页 |
| 6.2.2 噪声案例剔除策略 | 第65-66页 |
| 6.2.3 实验 | 第66-70页 |
| 6.3 归纳推理中案例库数据后降噪策略研究 | 第70-77页 |
| 6.3.1 案例库数据噪声对归纳推理的影响 | 第70-71页 |
| 6.3.2 C4.5 决策树学习存在的问题 | 第71页 |
| 6.3.3 基于错误修剪决策树的案例库数据降噪策略 | 第71-75页 |
| 6.3.4 实验 | 第75-77页 |
| 6.4 本章小结 | 第77-78页 |
| 第七章 原型系统的设计与实现 | 第78-89页 |
| 7.1 系统的结构设计 | 第78页 |
| 7.2 试验流程 | 第78-79页 |
| 7.3 系统环境及主要功能 | 第79页 |
| 7.4 系统核心功能实现 | 第79-87页 |
| 7.4.1 数据预处理 | 第80页 |
| 7.4.2 空间分析 | 第80-82页 |
| 7.4.3 数据格式转换 | 第82页 |
| 7.4.4 专家对道路网选取 | 第82-83页 |
| 7.4.5 构建专家案例库 | 第83页 |
| 7.4.6 计算机类比推理智能选取 | 第83-86页 |
| 7.4.7 计算机归纳推理智能选取 | 第86-87页 |
| 7.5 本章小结 | 第87-89页 |
| 第八章 总结与展望 | 第89-91页 |
| 8.1 论文主要创新点 | 第89页 |
| 8.2 存在的问题及改进方向 | 第89-91页 |
| 致谢 | 第91-92页 |
| 参考文献 | 第92-95页 |
| 作者简历 | 第95页 |