| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 前言 | 第8-13页 |
| ·背景与意义 | 第8页 |
| ·归纳学习的发展历史与现状 | 第8-9页 |
| ·范例推理的发展历史与现状 | 第9页 |
| ·遗传算法的发展历史与现状 | 第9-12页 |
| ·文章的内容与安排 | 第12-13页 |
| 2 归纳学习与WEKA平台 | 第13-22页 |
| ·决策树学习 | 第13-17页 |
| ·ID3学习算法 | 第14-15页 |
| ·C4.5学习算法 | 第15-17页 |
| ·SLIQ学习算法 | 第17页 |
| ·WEKA算法研究平台 | 第17-22页 |
| ·Weka Knowledge Explorer图形用户界面简介 | 第18-20页 |
| ·各种图形用户界面功能简介 | 第20-21页 |
| ·核心数据结构 | 第21-22页 |
| 3 范例推理 | 第22-28页 |
| ·概述 | 第22-23页 |
| ·范例的表示方法及检索技术 | 第23-24页 |
| ·范例库的维护 | 第24-25页 |
| ·CBR的发展方向 | 第25-27页 |
| ·小结 | 第27-28页 |
| 4 遗传算法 | 第28-35页 |
| ·遗传算法的应用领域 | 第28-30页 |
| ·遗传算法存在的问题与改进途径 | 第30页 |
| ·函数优化 | 第30-35页 |
| ·问题描述 | 第31-32页 |
| ·编码与适应度函数 | 第32页 |
| ·基本遗传算法(SGA)的搜索性能 | 第32-33页 |
| ·基本遗传算法的若干变体形式的搜索性能 | 第33-35页 |
| 5 决策树算法在CBR中的应用 | 第35-39页 |
| ·基于决策树学习算法的范例检索 | 第35-37页 |
| ·基于决策树学习算法的CBR的修正 | 第37-38页 |
| ·基于决策树学习算法的CBR的维护 | 第38-39页 |
| 6 实验模型的设计与实现 | 第39-53页 |
| ·设计目标 | 第39页 |
| ·实验模型的设计 | 第39-42页 |
| ·实验模型逻辑结构图 | 第40-41页 |
| ·实验模型功能模块 | 第41-42页 |
| ·模型实现 | 第42-53页 |
| ·数据准备 | 第42-44页 |
| ·数据预处理 | 第44-46页 |
| ·分类规则提取 | 第46-48页 |
| ·WEKA平台的改进与规则翻译和存储 | 第48-50页 |
| ·模型评估 | 第50-53页 |
| 7 总结与展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 在校学习期间发表的论文 | 第57页 |