基于商空间的构造性学习算法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 概述 | 第10-15页 |
| ·商空间及粒度分析 | 第10-11页 |
| ·模式识别与机器学习 | 第11-12页 |
| ·构造性学习理论和方法 | 第12-13页 |
| ·本文的研究工作和文章组织结构 | 第13-15页 |
| 第二章 粒计算理论与商空间模型 | 第15-30页 |
| ·粒计算理论 | 第15-23页 |
| ·粒计算的发展 | 第15-17页 |
| ·粒计算模型的基本组成 | 第17-18页 |
| ·粒计算基本问题 | 第18-19页 |
| ·三种主要的粒计算模型 | 第19-23页 |
| ·商空间模型的对象分析和表示 | 第23-25页 |
| ·问题空间在不同粒度层次上的表示 | 第23页 |
| ·商结构和商属性函数的构造及性质的保持 | 第23-24页 |
| ·从已知粒度世界合成新的粒度世界 | 第24-25页 |
| ·商空间理论 | 第25-30页 |
| ·商空间的结构性质 | 第25-26页 |
| ·粒度的确定 | 第26-27页 |
| ·商空间的合成 | 第27-30页 |
| 第三章 传统聚类算法分析 | 第30-41页 |
| ·聚类分析的概念和聚类方法的划分 | 第30-33页 |
| ·聚类分析的概念 | 第30页 |
| ·聚类的定义 | 第30-31页 |
| ·聚类分析的分类 | 第31-32页 |
| ·聚类算法的一般步骤 | 第32-33页 |
| ·系统聚类法 | 第33-35页 |
| ·算法思想 | 第33页 |
| ·算法步骤 | 第33-34页 |
| ·算法流程图 | 第34-35页 |
| ·算法分析 | 第35页 |
| ·动态聚类法 | 第35-38页 |
| ·初始聚类中心的选择 | 第36页 |
| ·初始分类 | 第36页 |
| ·修改分类的原则 | 第36-37页 |
| ·K-means算法 | 第37-38页 |
| ·常用聚类算法分析 | 第38-39页 |
| ·聚类算法的要求 | 第39-41页 |
| 第四章 基于覆盖的构造性学习算法 | 第41-53页 |
| ·覆盖领域概念分析 | 第41-43页 |
| ·人工神经元模型 | 第41-42页 |
| ·超平面和球形覆盖的表示 | 第42页 |
| ·覆盖领域的几何意义 | 第42-43页 |
| ·基于覆盖的构造性学习方法的发展 | 第43-50页 |
| ·构造性的神经网络 | 第44页 |
| ·前馈神经网络算法 | 第44-47页 |
| ·交叉覆盖算法 | 第47-50页 |
| ·对覆盖算法的研究进展 | 第50-53页 |
| ·双交叉覆盖增量学习算法 | 第50-51页 |
| ·核覆盖算法 | 第51页 |
| ·加权的覆盖算法 | 第51-52页 |
| ·机器学习中的多侧面递进算法MIDA | 第52页 |
| ·基于概率的覆盖算法 | 第52页 |
| ·基于粗糙集得交叉覆盖算法 | 第52-53页 |
| 第五章 改进的覆盖算法的研究和分析 | 第53-65页 |
| ·算法的改进思想 | 第53-59页 |
| ·样本集的选择和学习顺序 | 第53-54页 |
| ·隐含层神经元数的降低 | 第54-55页 |
| ·泛化能力和识别精度 | 第55-57页 |
| ·剔除特征显性的不足 | 第57-59页 |
| ·改进的覆盖算法 | 第59-65页 |
| ·基本思想 | 第59-60页 |
| ·覆盖算法的改进 | 第60-61页 |
| ·试验结果分析 | 第61-65页 |
| 总结与展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 发表论文和参加科研情况说明 | 第70-71页 |
| 致谢 | 第71页 |
