| 中文摘要 | 第4-5页 |
| 英文摘要 | 第5页 |
| 1 引言 | 第9-15页 |
| 1．1 综述 | 第9-12页 |
| 1．1．1 数据挖掘的发展 | 第9-10页 |
| 1．1．2 人工神经网络的发展 | 第10-12页 |
| 1．2 问题的提出 | 第12-13页 |
| 1．3 论文内容安排 | 第13-15页 |
| 2 数据挖掘概述 | 第15-19页 |
| 2．1 数据挖掘的意义 | 第15页 |
| 2．2 数据挖掘的定义 | 第15-16页 |
| 2．3 数据挖掘的功能及过程 | 第16-19页 |
| 2．3．1 分类和预测 | 第17页 |
| 2．3．2 聚类分析 | 第17-19页 |
| 3 确定性退火技术 | 第19-24页 |
| 3．1 确定性退火技术的基本思想 | 第19-21页 |
| 3．2 确定性退火技术解的性质 | 第21-23页 |
| 3．3 温度控制对解的影响 | 第23页 |
| 3．4 确定性退火技术的优点 | 第23-24页 |
| 4 RBF神经网络 | 第24-33页 |
| 4．1 人工神经网络系统的原理 | 第24-25页 |
| 4．2 人工神经网络的特性 | 第25页 |
| 4．3 神经网络的学习与训练 | 第25-26页 |
| 4．4 RBF神经网络 | 第26-33页 |
| 4．4．1 RBF的选取 | 第26-27页 |
| 4．4．2 RBF网络的结构 | 第27页 |
| 4．4．3 RBF网络的学习算法 | 第27-28页 |
| 4．4．4 RBF网络逼近能力 | 第28-29页 |
| 4．4．5 RBF网络的分类机理 | 第29-30页 |
| 4．4．6 RBF神经网络的优点 | 第30-33页 |
| 5 确定性退火技术在数据挖掘中的应用 | 第33-44页 |
| 5．1 聚类的作用和传统聚类的缺陷 | 第33-34页 |
| 5．2 最大熵原理 | 第34-36页 |
| 5．3 聚类模型的一般形式 | 第36-38页 |
| 5．4 聚类模型自由能函数的确定 | 第38-39页 |
| 5．5 利用确定性退火技术的聚类算法 | 第39-41页 |
| 5．6 基于确定性退火的一种预测模型 | 第41页 |
| 5．7 以确定性退火技术产生的预测模型的原理和算法 | 第41-44页 |
| 6 确定性退火与RBF神经网络的结合 | 第44-52页 |
| 6．1 中心点确定是RBF神经网络的关键 | 第44-45页 |
| 6．2 常用的高斯函数中心的选取算法 | 第45-47页 |
| 6．2．1 随机算法选取RBF中心 | 第45页 |
| 6．2．2 硬C均值算法（Hardc-means） | 第45-46页 |
| 6．2．3 最大－最小值法 | 第46-47页 |
| 6．2．4 其它选取RBF中心的算法 | 第47页 |
| 6．3 利用确定性退火算法来确定RBF基函数的中心 | 第47-49页 |
| 6．4 RBF网络宽度的确定 | 第49-50页 |
| 6．5 线性权值的训练 | 第50页 |
| 6．6 确定性退火技术与RBF网络构成分类器 | 第50-52页 |
| 7 确定性退火技术应用实例和仿真 | 第52-61页 |
| 7．1 仿真数据来源 | 第52-53页 |
| 7．2 数据预处理 | 第53-55页 |
| 7．3 DA-RBF网络模型仿真实验 | 第55-61页 |
| 7．3．1 RBF网络中心的选取 | 第55-57页 |
| 7．3．2 线性权值的训练 | 第57页 |
| 7．3．3 拟合情况及误差性能分析 | 第57-61页 |
| 8 结论 | 第61-63页 |
| 8．1 全文内容总结 | 第61-62页 |
| 8．2 存在的不足和进一步的工作 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
