| 第一章 概述 | 第1-13页 |
| ·人工智能与专家系统概述 | 第8-9页 |
| ·基于案例推理的基本思路 | 第9-10页 |
| ·基于案例推理与基于规则推理的比较 | 第10-11页 |
| ·CBR技术国内外研究现状 | 第11页 |
| ·本文研究的主要内容及本课题的意义 | 第11-13页 |
| 第二章 基于案例推理技术研究 | 第13-27页 |
| ·案例的表示(新问题的描述) | 第13-15页 |
| ·知识表示的要求 | 第13页 |
| ·案例表示的内容 | 第13-14页 |
| ·一种面向对象的案例表示方法 | 第14-15页 |
| ·案例库的组织索引 | 第15-18页 |
| ·索引组织的思路 | 第15页 |
| ·采用动态聚类算法进行组织索引 | 第15-18页 |
| ·案例的检索 | 第18-21页 |
| ·最近邻法(Nearest Neighbor) | 第18-19页 |
| ·归纳索引法(Induction) | 第19页 |
| ·知识导引法(Knowledge-Guided Induction) | 第19页 |
| ·模板检索(template retrieval) | 第19-20页 |
| ·与其它方法 | 第20-21页 |
| ·案例的调整 | 第21-24页 |
| ·新案例的评估 | 第24-25页 |
| ·案例库的学习与维护 | 第25-27页 |
| ·案例库的学习 | 第25页 |
| ·案例库的维护 | 第25-27页 |
| 第三章 CBR检索机制中属性权重和相似度设置 | 第27-36页 |
| ·案例属性的权重设置 | 第27-32页 |
| ·一种基于粗糙集的权重自动学习方法 | 第27-28页 |
| ·问题分析及改进 | 第28-29页 |
| ·举例 | 第29-30页 |
| ·权向量渐进学习算法 | 第30-32页 |
| ·案例属性局部相似度赋值方法研究 | 第32-36页 |
| 第四章 基于案例推理大豆专家系统的设计与实现 | 第36-45页 |
| ·引言 | 第36页 |
| ·CBR大豆专家系统的整体结构 | 第36-38页 |
| ·具体实现 | 第38-43页 |
| ·实验结果 | 第43-44页 |
| ·小结 | 第44-45页 |
| 结束语 | 第45-46页 |
| 硕士期间发表的学术论文 | 第46-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-50页 |