| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-13页 |
| ·课题背景及意义 | 第8-9页 |
| ·课题背景 | 第8-9页 |
| ·研究意义 | 第9页 |
| ·国内外研究现状 | 第9-11页 |
| ·粒度计算及粗糙集的研究现状 | 第9-10页 |
| ·神经网络研究现状 | 第10-11页 |
| ·论文研究内容及结构安排 | 第11-13页 |
| 第2章 基于粗糙集的粒计算简介 | 第13-24页 |
| ·粒计算其及模型 | 第13-16页 |
| ·基于词计算理论的粒计算 | 第14-15页 |
| ·基于粗糙集理论的粒计算 | 第15页 |
| ·基于商空间理论的粒计算 | 第15-16页 |
| ·知识库 | 第16-17页 |
| ·信息系统和决策系统 | 第17-18页 |
| ·近似与粗糙集 | 第18-19页 |
| ·属性约简 | 第19-21页 |
| ·属性约简方法举例 | 第21-24页 |
| ·基于集合论的属性约简算法 | 第21页 |
| ·基于可辨识矩阵的属性约简 | 第21-22页 |
| ·基于信息熵的属性约简 | 第22-23页 |
| ·各种约简算法总结 | 第23-24页 |
| 第3章 神经网络 | 第24-39页 |
| ·人工神经网络发展概况 | 第24页 |
| ·人工神经网络的基本原理与结构 | 第24-26页 |
| ·人工神经网络的三大要素 | 第26-32页 |
| ·转移函数 | 第26-29页 |
| ·拓扑结构 | 第29-30页 |
| ·学习规则 | 第30-32页 |
| ·误差反向传播网络(BP网络) | 第32-39页 |
| ·BP神经网络的网络模型与网络结构 | 第33-34页 |
| ·信息的正向传递 | 第34-35页 |
| ·误差的反向传播 | 第35-36页 |
| ·BP网络的限制和不足 | 第36-37页 |
| ·几种改进算法 | 第37-39页 |
| 第4章 粗糙集与神经网络的融合 | 第39-53页 |
| ·粗糙集理论与人工神经网络技术的比较 | 第39-42页 |
| ·粗糙集与神经网络的共同点 | 第39-40页 |
| ·粗糙集与神经网络的区别 | 第40-41页 |
| ·粗糙集与神经网络融合的可行性 | 第41-42页 |
| ·粗糙集与神经网络融合的方式 | 第42-44页 |
| ·粗糙集用于神经网络数据预处理 | 第44-45页 |
| ·粗糙集用于神经网络数据预处理的原理 | 第44-45页 |
| ·基本流程 | 第45页 |
| ·粗糙集用于优化神经网络结构 | 第45-50页 |
| ·概述 | 第45-46页 |
| ·几种常见的优化方法 | 第46-48页 |
| ·对权值消去法的改进 | 第48页 |
| ·一种新的结构优化方法 | 第48-50页 |
| ·粗神经元及粗神经网络 | 第50-53页 |
| 第5章 对融合方式的实验验证 | 第53-66页 |
| ·粗糙集作为神经网络预处理器在心脏病诊断方面的应用 | 第53-59页 |
| ·实验数据来源 | 第53-55页 |
| ·构建神经网络 | 第55-56页 |
| ·用粗糙集进行处理 | 第56-58页 |
| ·建立新的网络 | 第58页 |
| ·实验结果对比及分析 | 第58-59页 |
| ·粗糙集在优化神经网络结构方面的应用 | 第59-66页 |
| ·问题描述及网络结构的选择 | 第60页 |
| ·构建初始神经网络 | 第60-62页 |
| ·用粗糙集进行处理 | 第62-64页 |
| ·构造新的神经网络并训练 | 第64-65页 |
| ·结论 | 第65-66页 |
| 第6章 结论与展望 | 第66-68页 |
| ·对论文研究工作的总结 | 第66页 |
| ·展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间发表的论文 | 第72页 |