| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第1章 绪论 | 第9-14页 |
| ·神经网络和聚类算法的发展状况 | 第9-11页 |
| ·本文研究的意义及发展趋势 | 第11-12页 |
| ·课题研究的主要内容 | 第12-14页 |
| 第2章 基于SOM神经网络分类器设计 | 第14-30页 |
| ·自组织神经网络概述 | 第14页 |
| ·竞争学习规则 | 第14-17页 |
| ·相似性测量 | 第14-15页 |
| ·向量归一化 | 第15-16页 |
| ·竞争学习规则 | 第16-17页 |
| ·SOM神经网络的思想来源 | 第17-19页 |
| ·SOM神经网络的结构 | 第19-20页 |
| ·SOM神经网络的数学模型 | 第20-21页 |
| ·神经网络模型的学习过程 | 第21-25页 |
| ·竞争过程 | 第22页 |
| ·合作过程 | 第22-24页 |
| ·突触自适应过程 | 第24-25页 |
| ·SOM神经网络具体学习步骤 | 第25-27页 |
| ·基于SOM神经网络的分类器设计及其结果分析 | 第27-30页 |
| 第3章 基于K-均值聚类算法分类器设计 | 第30-47页 |
| ·划分聚类算法概述 | 第30-31页 |
| ·聚类分析中的数据类型 | 第31-32页 |
| ·聚类分析中相似度度量方法 | 第32-34页 |
| ·聚类分析中的聚类准则函数 | 第34-37页 |
| ·K-means聚类算法 | 第37-44页 |
| ·K-means算法简介 | 第37-38页 |
| ·K-means算法的基本思想及算法框架 | 第38-40页 |
| ·K-means算法的特点和面临的主要问题 | 第40-42页 |
| ·K-means算法的初值依赖性 | 第42-43页 |
| ·初始值的选取方法 | 第43-44页 |
| ·基于K-均值聚类算法的分类器设计及结果分析 | 第44-47页 |
| 第4章 带钢缺陷检测中分类器的设计及应用 | 第47-62页 |
| ·带钢表面缺陷的主要类型、特征及其成因 | 第47-49页 |
| ·带钢表面缺陷特征选择 | 第49-55页 |
| ·形态特征 | 第49-51页 |
| ·灰度特征 | 第51-52页 |
| ·纹理特征 | 第52-55页 |
| ·基于SOM网络和K-means算法的带钢缺陷分类器设计 | 第55-60页 |
| ·分类器的参数设置和训练过程描述 | 第55-59页 |
| ·算法描述流程图 | 第59-60页 |
| ·分类器工作过程描述 | 第60页 |
| ·分类结果分析 | 第60-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 已发表论文 | 第68页 |