基于粗集理论的神经网络研究与应用
| 前言 | 第1-14页 |
| 第一章 人工神经网络综述 | 第14-17页 |
| 1．1 人工神经网络简介 | 第14页 |
| 1．2 人工神经网络的特点 | 第14-15页 |
| 1．3 人工神经网络的学习方法 | 第15-16页 |
| 1．4 神经网络研究的主要方向 | 第16-17页 |
| 第二章 粗集理论 | 第17-21页 |
| 2．1 粗集理论概念 | 第17页 |
| 2．2 粗集理论的基本思想 | 第17-20页 |
| 2．2．1 知识在粗集理论中的含义 | 第17-19页 |
| 2．2．2 粗集中的上近似集和下近似集 | 第19-20页 |
| 2．3 粗集理论的应用 | 第20-21页 |
| 第三章 基于粗集理论的学习样本筛选 | 第21-27页 |
| 3．1 概述 | 第21页 |
| 3．2 知识的表达 | 第21-23页 |
| 3．2．1 数据表知识表达系统 | 第21-22页 |
| 3．2．2 属性值的离散归一化 | 第22页 |
| 3．2．3 实例 | 第22-23页 |
| 3．3 知识化简 | 第23-27页 |
| 3．3．1 知识的简化 | 第23页 |
| 3．3．2 知识的相对简化 | 第23-24页 |
| 3．3．3 简化步骤 | 第24页 |
| 3．3．4 算例 | 第24-27页 |
| 第四章 粗神经网络模型 | 第27-34页 |
| 4．1 人工神经网络的各种模型 | 第27页 |
| 4．2 多层前向神经网络模型 | 第27-28页 |
| 4．3 粗集理论与人工神经网络的结合 | 第28-29页 |
| 4．4 粗神经网络模型 | 第29-34页 |
| 4．4．1 粗糙型神经网络 | 第29-31页 |
| 4．4．2 建立粗糙神经网络模型 | 第31页 |
| 4．4．3 算例 | 第31-33页 |
| 4．4．4 结果分析 | 第33-34页 |
| 第五章 粗神经网络的学习和优化 | 第34-42页 |
| 5．1 神经网络的学习算法 | 第34-35页 |
| 5．2 粗神经网络的基本学习算法—BP算法 | 第35-36页 |
| 5．2．1 误差逆传播算法简介 | 第35页 |
| 5．2．2 BP 算法的求解步骤 | 第35-36页 |
| 5．2．3 BP算法的特点 | 第36页 |
| 5．3 遗传算法 | 第36-37页 |
| 5．3．1 遗传算法简介 | 第36页 |
| 5．3．2 遗传算法的基本思想 | 第36-37页 |
| 5．3．3 遗传算法的特点 | 第37页 |
| 5．4 遗传—BP算法 | 第37-40页 |
| 5．4．1 概述 | 第37-38页 |
| 5．4．2 基于遗传算法的神经网络权值学习 | 第38-39页 |
| 5．4．3 遗传-BP结合算法 | 第39-40页 |
| 5．5 神经网络的拓扑结构 | 第40页 |
| 5．6 优化拓扑结构的方法 | 第40-42页 |
| 第六章 粗神经网络泛化能力研究 | 第42-44页 |
| 6．1 神经网络的泛化能力 | 第42页 |
| 6．2 影响神经网络泛化能力的因素 | 第42页 |
| 6．3 粗神经网络的泛化方法 | 第42-44页 |
| 6．3．1 学习样本筛选 | 第42-43页 |
| 6．3．2 优化拓扑结构 | 第43页 |
| 6．3．3 添加随机噪声 | 第43页 |
| 6．3．4 应用先验知识 | 第43页 |
| 6．3．5 控制训练时间 | 第43-44页 |
| 第七章 粗神经网络在沉积微相识别中的应用 | 第44-56页 |
| 7．1 系统概述 | 第44-45页 |
| 7．1．1 应用背景 | 第44-45页 |
| 7．1．2 沉积微相的划分和特征 | 第45页 |
| 7．2 系统设计 | 第45-49页 |
| 7．3 测井资料预处理 | 第49-52页 |
| 7．3．1 测井曲线分层 | 第49-50页 |
| 7．3．2 插值处理和标准化 | 第50-51页 |
| 7．3．3 粗集处理 | 第51-52页 |
| 7．4 粗神经网络训练和识别 | 第52-56页 |
| 7．4．1 粗神经网络系统 | 第52-53页 |
| 7．4．2 学习算法 | 第53-54页 |
| 7．4．3 微相识别结果分析 | 第54-56页 |
| 结论 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-60页 |
| 附录 读研期间发表的论文 | 第60页 |
