| 第1章 绪论 | 第1-15页 |
| 1．1 研究背景和研究意义 | 第8-11页 |
| 1．1．1 学科前沿及发展趋势 | 第8-10页 |
| 1．1．2 研究目的和意义 | 第10-11页 |
| 1．2 主要研究工作和研究目标 | 第11-13页 |
| 1．2．1 研究内容 | 第11-12页 |
| 1．2．2 研究方法及其技术 | 第12-13页 |
| 1．3 本文的结构安排 | 第13-15页 |
| 第2章 可视化中的智能方法 | 第15-28页 |
| 2．1 引言 | 第15页 |
| 2．2 可视化技术 | 第15-18页 |
| 2．2．1 科学计算可视化 | 第15-17页 |
| 2．2．2 立体可视化 | 第17-18页 |
| 2．3 人工神经网络概述 | 第18-23页 |
| 2．3．1 神经网络的发展 | 第18-20页 |
| 2．3．2 神经网络理论 | 第20-21页 |
| 2．3．3 神经网络模型 | 第21-23页 |
| 2．4 灰色系统概述 | 第23-26页 |
| 2．4．1 灰色系统的发展 | 第24-25页 |
| 2．4．2 灰色系统建模理论 | 第25-26页 |
| 2．4．3 灰色预测模型 | 第26页 |
| 2．5 神经网络与灰色预测模型的融合 | 第26-27页 |
| 2．6 本章小结 | 第27-28页 |
| 第3章 灰色RBF神经网络静态预测模型 | 第28-45页 |
| 3．1 引言 | 第28页 |
| 3．2 小样本数据及其常用预测方法 | 第28-30页 |
| 3．2．1 多元回归预测法 | 第29页 |
| 3．2．2 信息扩散法 | 第29-30页 |
| 3．3 灰色 GM(0，N)模型及其局限性 | 第30-33页 |
| 3．3．1 灰色GM(0，N)模型 | 第31-32页 |
| 3．3．2 灰色GM(0，N)模型的局限性 | 第32-33页 |
| 3．4 RBF神经网络 | 第33-37页 |
| 3．4．1 RBFNN的原理 | 第33-34页 |
| 3．4．2 训练RBFNN的关键问题 | 第34-37页 |
| 3．5 SGRBF静态预测模型及其应用实例 | 第37-43页 |
| 3．5．1 SGRBF静态预测模型 | 第37页 |
| 3．5．2 应用实例 | 第37-43页 |
| 3．6 本章小结 | 第43-45页 |
| 第4章 灰色RBF网络动态预测模型 | 第45-59页 |
| 4．1 引言 | 第45页 |
| 4．2 灰色动态预测模型 | 第45-52页 |
| 4．2．1 一阶N维灰色动态模型GM(1，N) | 第46-47页 |
| 4．2．2 灰色GM(1，1)模型及其局限性 | 第47-50页 |
| 4．2．3 最优初始化新陈代谢GM(1，1)模型 | 第50-52页 |
| 4．3 DGRBF动态预测模型及其应用实例 | 第52-57页 |
| 4．3．1 DGRBF动态预测模型 | 第52页 |
| 4．3．2 应用实例 | 第52-57页 |
| 4．4 智能预测系统集成 | 第57-58页 |
| 4．5 本章小结 | 第58-59页 |
| 第5章 可视化数据的智能后处理 | 第59-68页 |
| 5．1 引言 | 第59页 |
| 5．2 专家系统简介 | 第59-61页 |
| 5．3 专家系统与神经网络的结合 | 第61-62页 |
| 5．4 可视化结果数据的知识化表示 | 第62-64页 |
| 5．5 基于NN的可视化数据智能后处理专家系统NVDIPES | 第64-67页 |
| 5．5．1 NVDIPES的基本结构 | 第64-65页 |
| 5．5．2 NVDIPES中的数据知识化表示策略 | 第65-66页 |
| 5．5．3 NVDIPES中的神经网络技术 | 第66-67页 |
| 5．6 本章小结 | 第67-68页 |
| 第6章 结论与展望 | 第68-70页 |
| 6．1 全文总结 | 第68-69页 |
| 6．2 研究展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 研究生期间发表的论文 | 第75页 |