| 基于多种计算智能方法的辅助决策系统的研究与应用 | 第1-48页 |
| 第一章 引言 | 第8-11页 |
| ·财务预警分析的意义 | 第8-9页 |
| ·本文采用的研究方法 | 第9-11页 |
| 第二章 基于粗糙集理论的计算模型的改进 | 第11-15页 |
| ·粗糙集概述 | 第11页 |
| ·粗糙集理论的知识表示 | 第11-12页 |
| ·粗糙集的上近似和下近似 | 第12-13页 |
| ·决策表一致性水平的定义和改进的计算模型 | 第13-15页 |
| 第三章 遗传算法实现技术及其改进 | 第15-18页 |
| ·遗传算法简介 | 第15页 |
| ·遗传算法的实现技术 | 第15-16页 |
| ·编码 | 第15页 |
| ·适应度函数 | 第15-16页 |
| ·选择算子 | 第16页 |
| ·交叉算子 | 第16页 |
| ·变异算子 | 第16页 |
| ·遗传算法的数学模型表示 | 第16-17页 |
| ·标准遗传算法的不足和改进 | 第17-18页 |
| 第四章 属性离散化及其信息熵的研究和实现 | 第18-29页 |
| ·概述 | 第18-19页 |
| ·离散化的定义 | 第18页 |
| ·离散化的必要性 | 第18页 |
| ·决策表离散化的一般步骤 | 第18-19页 |
| ·现有离散化算法及其分类 | 第19页 |
| ·离散化粗糙集决策表的形式化模型 | 第19-20页 |
| ·粗糙集信息系统模型的形式化定义 | 第19-20页 |
| ·离散化过程的形式化定义 | 第20页 |
| ·本文采用的离散化效果评价标准 | 第20-23页 |
| ·决策表的一致性水平 | 第21页 |
| ·离散化后区间的平均信息熵 | 第21-22页 |
| ·条件属性中的割点的数目 | 第22-23页 |
| ·基于粗糙集一致性和信息熵的遗传方法的离散化算法(LEGAD) | 第23-29页 |
| ·算法提出的背景 | 第23页 |
| ·算法说明和执行流程 | 第23-28页 |
| ·算法改进后的分析 | 第28-29页 |
| 第五章 构建基于神经网络的决策分类器 | 第29-37页 |
| ·用VC维来指导确定神经网络的结构 | 第29-31页 |
| ·引入VC维的必要性 | 第29页 |
| ·VC维的定义和描述 | 第29-30页 |
| ·神经网络中VC维 | 第30页 |
| ·本文中神经网络结构的设计 | 第30-31页 |
| ·BP算法 | 第31-34页 |
| ·符号表示 | 第31-32页 |
| ·链式法则 | 第32-33页 |
| ·敏感性的反向传播 | 第33-34页 |
| ·算法小结 | 第34页 |
| ·标准BP算法的改进 | 第34-37页 |
| ·动量因子MOBP | 第34-35页 |
| ·批量训练法 | 第35页 |
| ·可变学习速率VLBP | 第35-37页 |
| 第六章 实验分析 | 第37-43页 |
| ·实验环境 | 第37页 |
| ·数据采集 | 第37-38页 |
| ·样本选择 | 第37-38页 |
| ·财务比率选择 | 第38页 |
| ·构建训练集合和测试集合 | 第38页 |
| ·连续属性离散化 | 第38-40页 |
| ·生成基于粗糙集理论的割点矩阵 | 第38-39页 |
| ·利用遗传算法寻找最优割点集并对样本离散化 | 第39-40页 |
| ·数据归一化和BP神经网络分类 | 第40-43页 |
| ·数据归一化 | 第40页 |
| ·BP神经网络训练 | 第40-43页 |
| 第七章 结束语 | 第43-44页 |
| 参考文献 | 第44-48页 |
| 计算智能方法的研究 | 第48-103页 |
| 第一章 统计学习理论与支持向量机 | 第51-66页 |
| ·学习问题描述 | 第51-52页 |
| ·损失函数和风险最小化 | 第52页 |
| ·经验风险最小化归纳原则 | 第52-53页 |
| ·ERM的一致收敛问题 | 第53-55页 |
| ·函数集的VC维与风险的界。 | 第55-58页 |
| ·指示函数集的vc维 | 第55-56页 |
| ·实函数集的vc维 | 第56页 |
| ·风险的概念性的界 | 第56-57页 |
| ·构造性的与分布无关的界 | 第57-58页 |
| ·结构风险最小化归纳原则 | 第58-59页 |
| ·支持向量机 | 第59-61页 |
| ·核函数 | 第61-62页 |
| ·核函数主成分分析 | 第62-63页 |
| ·支持向量机的应用研究现状 | 第63-66页 |
| ·人脸检测、验证和识别 | 第63-64页 |
| ·说话人／语音识别 | 第64页 |
| ·文字／手写体识别 | 第64页 |
| ·图像处理 | 第64-66页 |
| 第二章 粗糙集理论和应用 | 第66-75页 |
| ·粗糙集理论的基本概念 | 第66-69页 |
| ·知识的概念与不可分辨关系 | 第66页 |
| ·粗糙集的下近似、上近似 | 第66-67页 |
| ·决策表、约简与核 | 第67-69页 |
| ·粗糙集理论的特点 | 第69页 |
| ·粗糙集理论的应用 | 第69-72页 |
| ·粗糙集理论的研究对象 | 第69-70页 |
| ·粗糙集理论应用的情况 | 第70-71页 |
| ·国际上有关粗糙集的软件研制概况 | 第71-72页 |
| ·粗糙集与其相关理论和领域的关系 | 第72-74页 |
| ·粗糙集与模糊集、证据理论的关系 | 第72页 |
| ·粗糙集与神经网络、知识工程、遗传算法、自动控制的关系 | 第72-73页 |
| ·粗糙集与神经网络结合 | 第73-74页 |
| ·粗糙集与遗传算法结合 | 第74-75页 |
| 第三章 遗传算法理论和应用 | 第75-84页 |
| ·基本原理 | 第75页 |
| ·混合遗传算法 | 第75-76页 |
| ·并行遗传算法 | 第76页 |
| ·编码问题 | 第76-78页 |
| ·交叉运算 | 第78页 |
| ·变异运算 | 第78-79页 |
| ·选择运算 | 第79-80页 |
| ·赌盘选择 | 第79-80页 |
| ·排序选择 | 第80页 |
| ·随机联赛选择 | 第80页 |
| ·最优个体保留方法 | 第80页 |
| ·遗传算法的性能分析 | 第80-81页 |
| ·遗传算法的应用 | 第81-84页 |
| ·函数优化 | 第81页 |
| ·组合优化 | 第81-82页 |
| ·生产调度问题 | 第82页 |
| ·自动控制 | 第82页 |
| ·机器人学 | 第82页 |
| ·图像处理 | 第82页 |
| ·人工生命 | 第82-83页 |
| ·遗传编程 | 第83页 |
| ·机器学习 | 第83页 |
| ·数据挖掘 | 第83-84页 |
| 第四章 神经网络 | 第84-98页 |
| ·神经网络原理 结构及分类 | 第84-90页 |
| ·神经网络原理 | 第84-85页 |
| ·神经网络的结构 | 第85-87页 |
| ·神经网络的分类 | 第87-90页 |
| ·神经网络的学习算法及其应用领域 | 第90-92页 |
| ·学习算法 | 第90页 |
| ·人工神经网络应用领域 | 第90-91页 |
| ·B P模型 | 第91-92页 |
| ·BP前馈神经网络 | 第92-98页 |
| ·BP网络的结构和学习规则 | 第93-98页 |
| 参考文献 | 第98-103页 |
| The Research and Application of Assistant Decision-making System based on many Intelligent Computing Methods | 第103-151页 |
| CHAPTER 1 FOREWORD | 第108-111页 |
| ·THE SIGNIFICATION OF FINANCIAL CRISIS EARLY-WARNING | 第108-109页 |
| ·RESEARCH APPROACH | 第109-111页 |
| CHAPTER 2 THE IMPROVEMENT OF THE CALCULATION MODEL BASED ON ROUGH SET THEORY | 第111-116页 |
| ·THE SUMMARY OF ROUGH SET | 第111页 |
| ·THE KNOWLEDGE REPRESENTATION OF ROUGH SET | 第111-113页 |
| ·UPPER APPROXIMATION AND LOWER APPROXIMATION | 第113-114页 |
| ·THE DEFINITION OF THE CONSISTENCY LEVEL OF DECISION TABLE AND ITS IMPROVEMENT OF CALCULATION MODE | 第114-116页 |
| CHAPTER 3 THE BASIC REALIZES TECHNOLOGY OF GENETIC ALGORITHM AND IMPROVEMENT | 第116-120页 |
| ·THE SUMMARY OF GENETIC ALGORITHM | 第116页 |
| ·THE BASIC TECHNOLOGY OF GENETIC ALGORITHM | 第116-118页 |
| ·Code method | 第116-117页 |
| ·Fitness function | 第117页 |
| ·Selection operator | 第117页 |
| ·Cross operator | 第117-118页 |
| ·Mutation Operation | 第118页 |
| ·THE MATHEMATICS MODEL OF THE GENETIC ALGORITHM | 第118页 |
| ·DEFICIENCY AND IMPROVEMENT OF THE GENETIC ALGORITHM OF THE STANDARD | 第118-120页 |
| CHAPTER 4 THE RESEARCH AND IMPLEMENT OF ATTRIBUTES DISCRETIZATION AND INFORMATION ENTROPY | 第120-133页 |
| ·SUMMARY | 第120-122页 |
| ·Definition | 第120页 |
| ·The necessity of discretization | 第120-121页 |
| ·The general step of discretization | 第121页 |
| ·The nowadays discretization algorithms | 第121-122页 |
| ·THE FORMALIZED MODEL OF DISCRETIZATION FOR THE ROUGH SET DECISION TABLE | 第122-123页 |
| ·The formalized definition for the Rough Set information system. [Zhang Wen xiu, 2001] | 第122-123页 |
| ·The formalized definition of the discretization process | 第123页 |
| ·THE CRITERIONS OF THE RESULT FOR DISCRETIZATION ADOPTED IN THIS ARTICLE | 第123-126页 |
| ·Consistency level of the decision table | 第123-124页 |
| ·The Average information entropy of intervals after discretization | 第124-126页 |
| ·Number of the cut points in condition attribute | 第126页 |
| ·THE DISCRETIZATION ALGORITHM BASED ON ROUGH SET CONSISTENCY AND THE INFORMATION ENTROPY (LEGAD) | 第126-133页 |
| ·Background of the algorithm | 第126-127页 |
| ·The procedure and explanation of algorithm (LEGAD) | 第127-132页 |
| ·Advantages after the algorithm is improved | 第132-133页 |
| CHAPTER 5 THE CONSTRUCTION OF CLASSIFIER BASED ON BP NEURAL NETWORK | 第133-142页 |
| ·DETERMINE THE STRUCTURE OF NEURAL NETWORK WITH VC DIMENSION | 第133-136页 |
| ·The necessity of VC dimension | 第133-134页 |
| ·Definition and description of VC dimension | 第134页 |
| ·Description of VC dimension in the neural network | 第134-135页 |
| ·The design of neural network's structure in the article | 第135-136页 |
| ·BP ALGORITHM | 第136-139页 |
| ·The symbol expressing | 第136-137页 |
| ·Chain rule | 第137页 |
| ·Backpropagation of the sensitiveness | 第137-139页 |
| ·Algorithm brief summary | 第139页 |
| ·SHORTCOMING AND IMPROVING OF STANDARD BP ALGORITHM | 第139-142页 |
| ·Momentum factor MOBP | 第139-140页 |
| ·Batch training method | 第140页 |
| ·Variable studying speed (VLBP) | 第140-142页 |
| CHAPTER 6 EXPERIMENT AND ANALYSIS | 第142-149页 |
| ·EXPERIMENT ENVIRONMENT | 第142页 |
| ·THE DATA COLLECTION | 第142-143页 |
| ·The sample choosing | 第142-143页 |
| ·The financial rate choosing | 第143页 |
| ·Structure the training set and test set | 第143页 |
| ·CONTINUOUS ATTRIBUTE DISCRETIZATION | 第143-146页 |
| ·Generate the cut points matrix based on Rough Set | 第144页 |
| ·Search the optimum set of cut points of each attribute by using Genetic algorithm and disperse the samples | 第144-146页 |
| ·NORMALIZATION OF THE DATA AND BP NEURAL NETVVORK CLASSIFICATION | 第146-149页 |
| ·Normalization of the data | 第146页 |
| ·Train BP neural network | 第146-149页 |
| CHAPTER 7 CONCLUSION | 第149-151页 |
| THE RESEARCH OF INTELLIGENT COMPUTING METHODS | 第151-219页 |
| CHAPTER 1 STATISTICAL LEARNING THEORY (SLT) AND SUPPORT VECTOR MACHINES (SVM) | 第154-174页 |
| ·THE DESCRIPTION OF LEARNING PROBLEM | 第154-155页 |
| ·LOSES FUNCTION AND RISK TO MINIMIZE | 第155-156页 |
| ·THE PRINCIPLE OF MINIMIZING EXPERIENCE RISK | 第156页 |
| ·UNANIMOUS CONVERGENCE QUESTION OF ERM | 第156-159页 |
| ·VC DIMENSION OF FUNCTION SET AND BOUNDARY OF THE RISK | 第159-163页 |
| ·VC dimension of instructing function set | 第159-160页 |
| ·VC dimension of real function | 第160-161页 |
| ·Concept of boundary of the risk | 第161页 |
| ·Constructivist Boundary having no relations with distributing | 第161-163页 |
| ·THE PRINCIPLE OF THE STRUCTURE RISKS MINIMIZE | 第163-165页 |
| ·SUPPORTING VECTOR MACHINE | 第165-167页 |
| ·CORE FUNCTION | 第167-168页 |
| ·MAIN COMPOSITION ANALYSIS OF CORE FUNCTION | 第168-169页 |
| ·CURRENT APPLICATION AND RESEARCH SITUATIONS OF SVM | 第169-174页 |
| ·Recognise, proving and discerning of faces | 第169-170页 |
| ·The speaker/phonetic recognition | 第170-171页 |
| ·The characters/handwritten recognition | 第171页 |
| ·Image processing | 第171-174页 |
| CHAPTER 2 THEORY AND APPLICATION OF ROUGH SET | 第174-187页 |
| ·THE BASIC CONCEPTION OF THE ROUGH SET #1.50 | 第174-179页 |
| ·The concept of knowledge and the indiscernibility relation | 第174-175页 |
| ·Upper approximation and lower approximation in Rough Set | 第175-176页 |
| ·Decision table, reduction and core | 第176-178页 |
| ·The characteristic of the Rough Set theory | 第178-179页 |
| ·THE APPLICATION OF THE ROUGH SET THEORY | 第179-182页 |
| ·The research objects of the Rough Set theory | 第179页 |
| ·The application situation of Rough Set theory | 第179-181页 |
| ·Relevant software of Rough Set in the world | 第181-182页 |
| ·RELATION BETWEEN ROUGH SET AND OTHER RELEVANT THEORY AND FIELD | 第182-185页 |
| ·The relation of Rough Set with fuzzy set, evidence theory | 第182-183页 |
| ·The relation between Rough Set and neural network, knowledge project, genetic algorithm, automatically controlled | 第183-184页 |
| ·Rough Set combine with the neural network | 第184-185页 |
| ·ROUGH SET COMBINE WITH THE GENETIC ALGORITHM | 第185-187页 |
| CHAPTER 3 THEORY AND APPLICATION OF GENETIC ALGORITHM | 第187-201页 |
| ·BASIC PRINCIPLE | 第187-188页 |
| ·MIX THE GENETIC ALGORITHM | 第188页 |
| ·THE PARALLEL GENETIC ALGORITHM | 第188-189页 |
| ·QUESTION OF THE CODE METHOD | 第189-191页 |
| ·CROSS OPERATION | 第191-192页 |
| ·MUTATION OPERATION | 第192-193页 |
| ·SELECT OPERATION | 第193-195页 |
| ·Select by proportion | 第194页 |
| ·Arrange in an order and select | 第194-195页 |
| ·The random league matches select | 第195页 |
| ·The Elitist Model | 第195页 |
| ·PERFORMANCE ANALYSIS OF THE GENETIC ALGORITHM | 第195-196页 |
| ·APPLICATION OF THE GENETIC ALGORITHM | 第196-201页 |
| ·Function optimizing | 第196-197页 |
| ·Combination optimize | 第197页 |
| ·Production scheduling question | 第197页 |
| ·Automatic control | 第197-198页 |
| ·Robotics | 第198页 |
| ·Image process | 第198页 |
| ·Artificial life | 第198-199页 |
| ·Genetic programming | 第199页 |
| ·The machine learning | 第199-200页 |
| ·Data mining | 第200-201页 |
| CHAPTER 4 NSURAL NETWORK | 第201-219页 |
| ·NEURAL NETWORK PRINCIPLE, STRUCTURE AND CLASSIFICATION | 第201-208页 |
| ·Neural network principle | 第201-202页 |
| ·Structure of the neural network | 第202-205页 |
| ·Classification of the neural network | 第205-208页 |
| ·STUDY ALGORITHM AND APPLICATION OF THE NEURAL NETWORK | 第208-212页 |
| ·Study algorithms | 第208-209页 |
| ·Application of Artificial neural network | 第209-211页 |
| ·B P model | 第211-212页 |
| ·BP FEED FORWARD NEURAL NETWORK | 第212-219页 |
| ·The structure and study rule of B P network | 第213-219页 |
| 致谢 | 第219页 |
