| 中文摘要 | 第4-6页 |
| 英文摘要 | 第6页 |
| 第一章 模式识别绪论 | 第13-25页 |
| 1．1 模式识别的含意 | 第13-14页 |
| 1．2 模式识别技术的发展历程 | 第14-16页 |
| 1．3 模式识别的方法 | 第16-18页 |
| 1．4 模式识别中的高维复杂模式问题 | 第18-19页 |
| 1．5 降维映射方法及应用 | 第19-21页 |
| 1．5．1 常见的降维映射方法 | 第19-20页 |
| 1．5．2 降维映射方法的应用 | 第20-21页 |
| 1．6 建模方法及应用 | 第21-23页 |
| 1．6．1 常见的建模方法 | 第21-22页 |
| 1．6．2 建模方法的应用 | 第22-23页 |
| 1．7 本论文的研究内容 | 第23-25页 |
| 第二章 自组织映射网络 | 第25-70页 |
| 2．1 人脑自组织特性依据 | 第25-26页 |
| 2．2 大脑功能区的建模 | 第26-42页 |
| 2．2．1 气泡区的产生 | 第27-31页 |
| 2．2．2 对外界信号进行自组织学习 | 第31-32页 |
| 2．2．3 无监督自组织学习算法 | 第32-36页 |
| 2．2．4 对学习算法4的分析 | 第36-39页 |
| 2．2．5 对学习算法5的分析 | 第39-41页 |
| 2．2．6 大脑功能区的自组织学习模型 | 第41-42页 |
| 2．3 网络模型和算法 | 第42-61页 |
| 2．3．1 对自组织学习模型的分析 | 第43-44页 |
| 2．3．2 自组织映射网络的结构及学习算法 | 第44-45页 |
| 2．3．3 获胜领域与学习率 | 第45-47页 |
| 2．3．4 网络的收敛性 | 第47-48页 |
| 2．3．5 自组织有序特征映射实验 | 第48-51页 |
| 2．3．6 SOM网络的特性 | 第51-53页 |
| 2．3．7 自组织有序特征映射理论证明 | 第53-61页 |
| 2．4 SOM网络学习算法的改进 | 第61-65页 |
| 2．4．1 学习率函数的设计 | 第61-62页 |
| 2．4．2 获胜领域的调整方案 | 第62-63页 |
| 2．4．3 学习率的调整方案 | 第63-64页 |
| 2．4．4 充分利用输出层神经元连接权矢量的设计 | 第64-65页 |
| 2．5 高维化学模式的自组织映射 | 第65-70页 |
| 2．5．1 橄榄油数据及其试验 | 第65-67页 |
| 2．5．2 自组织映射的试验结果 | 第67-68页 |
| 2．5．3 映射分类器的试验结果 | 第68-69页 |
| 2．5．4 结果讨论 | 第69-70页 |
| 第三章 保留模式特征的映射 | 第70-96页 |
| 3．1 主成分分析 | 第70-76页 |
| 3．1．1 总体主成分 | 第70-71页 |
| 3．1．2 主成分的求取 | 第71-72页 |
| 3．1．3 总体主成分的性质 | 第72-74页 |
| 3．1．4 样本主成分 | 第74页 |
| 3．1．5 样本数据的中心化和标准化 | 第74-76页 |
| 3．2 主成分特征映射 | 第76-83页 |
| 3．2．1 主成分特征映射算法 | 第76-78页 |
| 3．2．2 主成分特征映射试验 | 第78-80页 |
| 3．2．3 试验结果 | 第80-82页 |
| 3．2．4 结果分析 | 第82-83页 |
| 3．2．5 主成分特征映射的特点 | 第83页 |
| 3．3 分类相关成分分析 | 第83-88页 |
| 3．3．1 类别特征的表达 | 第83-85页 |
| 3．3．2 分类相关成分 | 第85-86页 |
| 3．3．3 提取分类相关成分的算法 | 第86-87页 |
| 3．3．4 分类相关成分的选择 | 第87-88页 |
| 3．4 分类相关成分特征映射 | 第88-96页 |
| 3．4．1 分类相关成分特征映射算法 | 第88-89页 |
| 3．4．2 天然留兰香数据分析 | 第89-91页 |
| 3．4．3 分类相关成分特征映射试验 | 第91-92页 |
| 3．4．4 试验结果 | 第92-96页 |
| 第四章 非线性映射 | 第96-122页 |
| 4．1 非线性映射算法 | 第96-108页 |
| 4．1．1 算法概要 | 第96-98页 |
| 4．1．2 距离算法 | 第98-99页 |
| 4．1．3 映射误差算法 | 第99-100页 |
| 4．1．4 优化算法 | 第100-101页 |
| 4．1．5 非线性映射保留拓扑信息的验证 | 第101-108页 |
| 4．1．6 自组织映射与非线性映射性能的比较 | 第108页 |
| 4．2 新的非线性映射算法 | 第108-118页 |
| 4．2．1 非线性映射的优缺点 | 第108-109页 |
| 4．2．2 在非线性映射平面上添加新模式的映射点 | 第109页 |
| 4．2．3 自适应映射误差E的设计 | 第109-110页 |
| 4．2．4 类随机优化算法 | 第110-111页 |
| 4．2．5 类随机优化算法性能测试 | 第111-118页 |
| 4．3 高维化学模式的非线性映射及其应用 | 第118-122页 |
| 4．3．1 橄榄油数据及试验 | 第118页 |
| 4．3．2 试验结果及分析 | 第118-122页 |
| 第五章 自适应偏最小二乘回归 | 第122-142页 |
| 5．1 多元线性回归分析 | 第122-127页 |
| 5．1．1 多元线性回归分析的数学模型 | 第122-123页 |
| 5．1．2 参数的最小二乘估计 | 第123-125页 |
| 5．1．3 回归系数的统计性质 | 第125-126页 |
| 5．1．4 最小二乘回归的性能分析 | 第126-127页 |
| 5．2 偏最小二乘回归 | 第127-133页 |
| 5．2．1 PLS成分 | 第128-130页 |
| 5．2．2 PLS成分选取及回归模型 | 第130-132页 |
| 5．2．3 偏最小二乘回归的算法 | 第132-133页 |
| 5．3 加权回归 | 第133-134页 |
| 5．4 自适应偏最小二乘回归 | 第134-142页 |
| 5．4．1 自适应偏最小二乘回归算法 | 第134-136页 |
| 5．4．2 APLSR性能的检验 | 第136-137页 |
| 5．4．3 为含硫苯衍生物建立QSAR模型 | 第137-138页 |
| 5．4．4 偏最小二乘全局回归模型 | 第138-139页 |
| 5．4．5 自适应偏最小二乘回归模型 | 第139-141页 |
| 5．4．6 结论 | 第141-142页 |
| 第六章 模型的参数估计 | 第142-149页 |
| 6．1 2-氯苯酚超临界水氧化反应动力学模型 | 第142-143页 |
| 6．2 混沌遗传算法 | 第143-146页 |
| 6．2．1 实数编码交叉操作遗传算法的性能分析 | 第143-144页 |
| 6．2．2 混沌变量和混沌映射 | 第144-145页 |
| 6．2．3 混沌遗传算法的执行步骤 | 第145-146页 |
| 6．3 CGA估算2-氯苯酚超临界水氧化反应动力学参数 | 第146-149页 |
| 6．3．1 反应动力学参数的最优估计及比较 | 第146-147页 |
| 6．3．2 CGA与传统遗传算法的性能比较 | 第147-149页 |
| 第七章 结语 | 第149-152页 |
| 7．1 总结 | 第149-150页 |
| 7．2 展望 | 第150-152页 |
| 参考文献 | 第152-160页 |
| 致谢 | 第160-161页 |
| 攻读博士学位期间完成的论文及科研项目 | 第161页 |