| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 引言 | 第12-15页 |
| 第一章 概述 | 第15-28页 |
| ·研究背景 | 第15-18页 |
| ·空间决策的复杂性 | 第18-21页 |
| ·空间决策支持系统的基本概念 | 第21-23页 |
| ·智能空间决策支持系统的一般构成 | 第23-25页 |
| ·人工神经元网络在智能空间决策支持系统中的应用 | 第25-27页 |
| ·神经网络实现逻辑命题的表达与推理 | 第25页 |
| ·空间数学模型的神经网络实现 | 第25页 |
| ·基于神经网络的空间知识学习与空间知识发现 | 第25-26页 |
| ·基于神经网络的智能空间决策支持系统 | 第26页 |
| ·基于神经网络的智能空间决策支持系统的实现方法 | 第26-27页 |
| ·本文研究的内容 | 第27-28页 |
| 第二章 人工神经元网络 | 第28-42页 |
| ·人工神经元网络的发展 | 第28-29页 |
| ·人工神经元网络构成的基本原理和功能 | 第29-32页 |
| ·MP模型及其改进 | 第29-30页 |
| ·Rumelhart的并行分布处理系统(简称PDP模型) | 第30-31页 |
| ·人工神经元网络的功能 | 第31-32页 |
| ·前馈神经网络及其主要算法 | 第32-35页 |
| ·线性阈值单元 | 第32页 |
| ·多层前馈网络 | 第32-33页 |
| ·BP算法 | 第33页 |
| ·改进BP算法收敛速度的措施 | 第33-35页 |
| ·反馈网络与联想存储记忆 | 第35-38页 |
| ·自组织神经网络 | 第38-41页 |
| ·小结 | 第41-42页 |
| 第三章 统计学习理论和支持向量机 | 第42-62页 |
| ·引言 | 第42-43页 |
| ·机器学习的基本问题和方法 | 第43-47页 |
| ·机器学习问题的表述 | 第43-44页 |
| ·经验风险最小化原则 | 第44-45页 |
| ·复杂性与推广能力 | 第45-47页 |
| ·统计学习理论的核心内容 | 第47-55页 |
| ·学习过程一致性的条件 | 第47-48页 |
| ·函数集的学习性能与VC维 | 第48-51页 |
| ·推广性的界 | 第51-53页 |
| ·结构风险最小化 | 第53-55页 |
| ·支持向量机 | 第55-61页 |
| ·最优分类面 | 第55-57页 |
| ·广义最优分类面 | 第57页 |
| ·规范化超平面集的子集结构 | 第57-58页 |
| ·支持向量机 | 第58-61页 |
| ·小结 | 第61-62页 |
| 第四章 人工神经元网络用于建立GIS空间数学模型 | 第62-77页 |
| ·引言 | 第62-63页 |
| ·地理信息系统中的空间数学模型 | 第63-67页 |
| ·地理信息系统中数学建模的基本过程 | 第63-64页 |
| ·数据回归分析建模方法 | 第64-67页 |
| ·多层神经网络用于建立GIS空间数学模型 | 第67-68页 |
| ·神经网络用于地理信息系统建模的基本原理 | 第67页 |
| ·采用BP网络建立GIS数学模型的实现方法 | 第67-68页 |
| ·BP网络模型结构选择问题 | 第68页 |
| ·多层神经网络的改进算法 | 第68-71页 |
| ·权重贡献率和关键神经节点 | 第68-70页 |
| ·模型变量的选择 | 第70-71页 |
| ·人工神经元网络建立空间数学模型实例 | 第71-75页 |
| ·问题的提出 | 第71-72页 |
| ·模型假设 | 第72页 |
| ·分析与建模 | 第72-75页 |
| ·小结 | 第75-77页 |
| 第五章 基于人工神经元网络的空间知识表达与推理 | 第77-104页 |
| ·引言 | 第77-78页 |
| ·基于符号方法的空间知识表达于推理 | 第78-84页 |
| ·逻辑知识表达 | 第78-80页 |
| ·语义网 | 第80-82页 |
| ·框架 | 第82-84页 |
| ·基于模糊逻辑的空间知识表达与推理 | 第84-89页 |
| ·模糊逻辑的概念 | 第84页 |
| ·模糊命题 | 第84-86页 |
| ·模糊复合规则 | 第86-87页 |
| ·模糊IF-THEN规则 | 第87页 |
| ·模糊推理 | 第87-89页 |
| ·基于神经网络的空间知识表达与推理 | 第89-96页 |
| ·逻辑运算的神经网络表达 | 第89-93页 |
| ·规则知识的神经网络表达 | 第93-95页 |
| ·基于知识的神经网络的改进 | 第95-96页 |
| ·基于神经网络的不确定空间知识的表达与推理 | 第96-103页 |
| ·模糊逻辑的神经网络方法表达 | 第96-98页 |
| ·不确定知识的神经网络表达 | 第98-99页 |
| ·基于神经网络的不确定空间知识的表达与推理应用实例 | 第99-103页 |
| ·小结 | 第103-104页 |
| 第六章 神经网络用于空间数据挖掘与知识发现 | 第104-125页 |
| ·引言 | 第104-107页 |
| ·数据挖掘(Data Mining，DM) | 第104-105页 |
| ·空间数据挖掘(Spatial Data Mining，SDM) | 第105-107页 |
| ·神经网络用于空间数据挖掘与知识发现 | 第107-110页 |
| ·常用的空间数据挖掘方法 | 第107-108页 |
| ·神经网络在空间数据挖掘中的应用 | 第108-110页 |
| ·动态自组织特征映射网络 | 第110-117页 |
| ·动态自组织特征映射网络 | 第110-111页 |
| ·动态自组织特征映射网络算法 | 第111-115页 |
| ·GSOM网络规模的控制 | 第115-117页 |
| ·基于GSOM的空间聚类知识发现 | 第117-124页 |
| ·空间聚类概述 | 第117-119页 |
| ·基于SOM的空间聚类 | 第119-121页 |
| ·基于GSOM的空间聚类 | 第121-124页 |
| ·小结 | 第124-125页 |
| 第七章 结论与展望 | 第125-127页 |
| 参考文献 | 第127-133页 |
| 在读博士期间发表的论文 | 第133-135页 |
