| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-15页 |
| ·范例推理简介 | 第10页 |
| ·课题研究的目的、意义 | 第10-11页 |
| ·课题的研究现状及存在的问题 | 第11-13页 |
| ·论文主要研究内容 | 第13-15页 |
| 第2章 CBR 基本理论 | 第15-20页 |
| ·引言 | 第15页 |
| ·CBR 的工作原理 | 第15-16页 |
| ·范例表示 | 第16-17页 |
| ·范例索引与范例检索 | 第17-18页 |
| ·范例重整 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第3章 TGSE-CBR 系统实现的关键技术 | 第20-44页 |
| ·引言 | 第20-21页 |
| ·面向对象的范例表示 | 第21-23页 |
| ·范例特征属性权重的确定及优化 | 第23-27页 |
| ·层次分析法 | 第24-25页 |
| ·模拟退火算法优化权重 | 第25-27页 |
| ·范例检索 | 第27-35页 |
| ·贝叶斯网络 | 第28-31页 |
| ·贝叶斯网络的构造步骤及其优点 | 第29-30页 |
| ·基于贝叶斯网络的范例检索算法 | 第30-31页 |
| ·RBF(radius basis function)径向基函数神经网络 | 第31-35页 |
| ·RBF 网络介绍 | 第31-32页 |
| ·基于 RBF 网络的范例搜索算法 | 第32-35页 |
| ·粗糙集理论在范例检索中的应用 | 第35-39页 |
| ·粗糙集理论的基本概念 | 第35-38页 |
| ·RS 理论在边坡稳定性评价中的应用 | 第38-39页 |
| ·基于自适应协振神经网络的范例学习方法 | 第39-43页 |
| ·基于域理论的自适应谐振网络的范例学习算法 | 第40页 |
| ·FTART 网络 | 第40-41页 |
| ·FTART 学习算法 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 边坡稳定性智能评价系统的系统设计 | 第44-57页 |
| ·智能决策支持系统的基本概念 | 第44-45页 |
| ·智能决策支持系统 | 第44页 |
| ·智能决策支持系统的发展历程及其应用 | 第44-45页 |
| ·C/S 体系结构 | 第45-47页 |
| ·边坡稳定性智能评价系统的总体设计思路 | 第47-53页 |
| ·系统研发的必要性及系统设计原则 | 第47-48页 |
| ·系统需求分析 | 第48-50页 |
| ·系统功能模块设计 | 第50页 |
| ·边坡数据库 | 第50-53页 |
| ·边坡影响因素分析 | 第51-52页 |
| ·建立边坡实体模型与数据库 | 第52-53页 |
| ·系统总体结构设计 | 第53-54页 |
| ·系统详细设计 | 第54-55页 |
| ·本章小结 | 第55-57页 |
| 第5章 边坡稳定性智能评价系统的集成与实现 | 第57-75页 |
| ·边坡稳定性智能评价系统的人机界面 | 第57-61页 |
| ·系统主界面 | 第57页 |
| ·数据采集界面 | 第57-59页 |
| ·范例检索与范例学习界面 | 第59-61页 |
| ·关键问题的解决 | 第61-64页 |
| ·系统开发平台和后台数据库简介 | 第64页 |
| ·系统的实现 | 第64-67页 |
| ·系统运行环境 | 第67页 |
| ·边坡稳定性智能评价系统的应用 | 第67-74页 |
| ·本章小结 | 第74-75页 |
| 第6章 总结与展望 | 第75-77页 |
| ·总结 | 第75页 |
| ·展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 硕士期间参与的科研项目与发表的论文情况 | 第81-82页 |
| A 发表论文 | 第81页 |
| B 科研项目 | 第81-82页 |
| 致谢 | 第82页 |