| 摘要 | 第1-5页 |
| 1.基于数值计算方法的BP神经网络及遗传算法的优化研究 | 第5-55页 |
| 第一章 前言 | 第7-8页 |
| ·研究背景 | 第7页 |
| ·本文研究的内容 | 第7-8页 |
| 第二章 神经网络研究和改进 | 第8-28页 |
| ·神经网络概述 | 第8-9页 |
| ·人工神经元模型 | 第8-9页 |
| ·BP算法学习原理 | 第9-12页 |
| ·BP网络的逼近能力 | 第12页 |
| ·BP网络的局限性 | 第12-16页 |
| ·BP神经网络存在缺陷的原因分析 | 第13-16页 |
| ·BP神经网络的泛化能力 | 第16页 |
| ·BP算法的改进 | 第16-25页 |
| 1、用拟牛顿法改进BP学习法 | 第16-18页 |
| 2、用近似优变步长法对BP网络学习中的固定学习步长进行改进 | 第18-20页 |
| 3、用共轭梯度法对BP神经网络学习法进行改进 | 第20-25页 |
| ·改进后BP神经学习法的收敛性分析 | 第25-28页 |
| 第三章 遗传算法基本原理 | 第28-38页 |
| ·遗传算法的基本概念 | 第28页 |
| ·遗传算法 | 第28页 |
| ·基本遗传算法 | 第28页 |
| ·遗传算法的基本流程： | 第28页 |
| ·遗传算法的模式定理 | 第28-30页 |
| ·遗传算法收敛性分析 | 第30页 |
| ·遗传算法算子和控制参数 | 第30-31页 |
| ·遗传算法的算子 | 第30页 |
| ·遗传算法的控制参数 | 第30-31页 |
| ·遗传算法的局限性 | 第31页 |
| ·遗传算法的改进 | 第31-38页 |
| ·二进制编码方式的改进 | 第32页 |
| ·适应度函数的分析 | 第32-33页 |
| ·自适应遗传算法的改进 | 第33-35页 |
| ·交叉算子的改进 | 第35-36页 |
| ·变异算子的改进 | 第36-38页 |
| 第四章 遗传算法与神经网络融合 | 第38-42页 |
| ·遗传算法与神经网络融合 | 第38-39页 |
| ·遗传算法优化神经网络的连接权 | 第38-39页 |
| ·遗传算法优化神经网络的拓扑结构 | 第39页 |
| ·遗传算法优化神经网络的学习规则 | 第39页 |
| ·三层全局最优的BP神经网络学习模型 | 第39-42页 |
| ·编码方案 | 第40页 |
| ·适应度函数的确定 | 第40页 |
| ·遗传操作 | 第40-42页 |
| 第五章 试验分析 | 第42-52页 |
| ·对改进后BP神经网络学习收敛速度的验证 | 第42-46页 |
| ·对改进后遗传算法的验证 | 第46-48页 |
| ·对利用遗传算法改进BP神经网络的试验 | 第48-52页 |
| 参与文献 | 第52-55页 |
| 2.基于软计算方法的数据挖掘研究综述 | 第55-102页 |
| 第一部分 数据库中知识发现与数据挖掘 | 第58-67页 |
| 第一章 数据库中知识发现 | 第58-61页 |
| ·知识发现的基本概念 | 第58页 |
| ·知识发现的基本过程 | 第58-59页 |
| ·知识发现处理过程模型 | 第59-61页 |
| ·阶梯处理过程模型 | 第59页 |
| ·螺旋处理过程模型 | 第59页 |
| ·以用户为中心的处理模型 | 第59-60页 |
| ·联机KDD模型 | 第60页 |
| ·支持多数据源多知识模式的KDD处理模型 | 第60-61页 |
| 第二章 数据挖掘 | 第61-67页 |
| ·数据挖掘概述 | 第61-63页 |
| ·数据挖掘概述 | 第61-62页 |
| ·KDD与DM的关系 | 第62页 |
| ·数据挖掘研究的理论基础 | 第62-63页 |
| ·数据挖掘的功能 | 第63-64页 |
| ·数据挖掘的方法 | 第64-67页 |
| 第二部 分软计算方法 | 第67-93页 |
| 第三章 粗糙集理论(RS) | 第67-75页 |
| ·基本概念 | 第67-69页 |
| ·分辨矩阵和分辨函数 | 第69-70页 |
| ·粗糙集理论中的知识表示 | 第70-71页 |
| ·粗糙集理论在数据挖掘中的应用 | 第71-74页 |
| ·连续值属性离散化问题 | 第71-73页 |
| ·属性约简 | 第73-74页 |
| ·规则挖掘 | 第74-75页 |
| 第四章 人工神经网络 | 第75-85页 |
| ·人工神经网络发展简史及分类 | 第75页 |
| ·神经网络的基本概念 | 第75-78页 |
| ·一般较常用的网络结构为前馈型网络， | 第76页 |
| ·神经网络的学习机理和机构 | 第76-78页 |
| ·神经网络的局限性 | 第78页 |
| ·神经网络BP算法的改进 | 第78-80页 |
| ·避免局部最小和提高收敛速度的改进改进方法 | 第78-79页 |
| ·隐层节点难以确定的原因 | 第79-80页 |
| ·BP神经网络的泛化能力 | 第80页 |
| ·神经网络的主要特点 | 第80-81页 |
| ·神经网络的收敛性 | 第81-82页 |
| ·神经网络的应用 | 第82-85页 |
| 第五章 遗传算法 | 第85-93页 |
| ·遗传算法描述 | 第85页 |
| ·遗传算法的理论基础 | 第85-87页 |
| ·模式定理及积木块假设 | 第85-87页 |
| ·遗传算法收敛性分析 | 第87页 |
| ·遗传算法的研究方向 | 第87页 |
| ·遗传算法研究进展 | 第87-89页 |
| ·遗传算法改进 | 第89-93页 |
| ·选择算子改进方法及技术 | 第89页 |
| ·交叉算予改进方法及技术 | 第89页 |
| ·变异算子改进方法技术 | 第89-90页 |
| ·适度函数的改进 | 第90-91页 |
| ·编码方式的改进 | 第91-93页 |
| 第三部 基于软计算的融合方法 | 第93-96页 |
| 第六章 软计算的融合方法 | 第93-96页 |
| ·粗糙集和神经网络的融合方法 | 第93-94页 |
| ·遗传算法与人工神经网络的融合方法 | 第94-95页 |
| ·神经一模糊软计算方法 | 第95页 |
| ·基于粗糙集和遗传算法的融合方法 | 第95-96页 |
| 参考文献 | 第96-102页 |
| 3. Optimization Research of BP neural network and genetic algorithm based on numerical calculation method | 第102-162页 |
| Abstract | 第104-106页 |
| Chapter 1 Preface | 第106-108页 |
| ·Research of background | 第106页 |
| ·Groundwork of this paper | 第106-108页 |
| Chapter two The neural network study and improvement | 第108-132页 |
| ·Summary of the neural network | 第108-109页 |
| ·Artificial neuron model | 第108-109页 |
| ·Principle of BP algorithm studying | 第109-112页 |
| ·The approaching ability of the BP network | 第112-113页 |
| ·The limitation of BP network | 第113-117页 |
| ·The analysis of the reason that the BP network exists flaw | 第113-117页 |
| ·The generalization ability of BP neural net work | 第117页 |
| ·The improvement of the BP algorithm | 第117-132页 |
| ·The Newton method | 第117-118页 |
| ·The improvement to the Newton method (Quasi-Newton method) | 第118-120页 |
| ·The method of the variation of step length | 第120-122页 |
| ·conjugate gradient method | 第122-127页 |
| ·We will give the algorithm of FR conjugate gradient method and flow chart of realizing the algorithm as follow | 第127-128页 |
| ·The analysis of convergence for conjugate gradient method | 第128-130页 |
| ·The total convergence of general descent algorithm | 第130-132页 |
| Chapter 3 genetic algorithms basic principle | 第132-145页 |
| ·genetic algorithms basic concept | 第132-133页 |
| ·genetic algorithms | 第132页 |
| ·Simple genetic algorithms | 第132页 |
| ·genetic algorithms basic flow : | 第132-133页 |
| ·genetic algorithms rationale | 第133-134页 |
| ·genetic algorithms convergence analysis | 第134-135页 |
| ·genetic algorithms operator and controlled parametric | 第135-136页 |
| ·genetic algorithms operator | 第135页 |
| ·genetic algorithms controlled parametric | 第135-136页 |
| ·genetic algorithms limitation | 第136-137页 |
| ·genetic algorithms improvement | 第137-145页 |
| ·codes | 第137-138页 |
| ·fittness functions | 第138-140页 |
| ·from suitable genetic algorithms | 第140-141页 |
| ·Crossover operations | 第141-143页 |
| ·mutation operation | 第143-145页 |
| chapter 4 genetic algorithms and nerve network fusion | 第145-151页 |
| ·genetic algorithms and nerve network fusion | 第145-147页 |
| ·genetic algorithms optimization nerve network link power | 第145-146页 |
| ·genetic algorithms optimization nerve network topology | 第146页 |
| ·genetic algorithms optimization nerve network study rule | 第146-147页 |
| ·three layers overall situations most superior BP nerve network study model | 第147-151页 |
| ·code schemes | 第147-148页 |
| ·determination on sufficient functions | 第148页 |
| ·genetic operation | 第148-151页 |
| Chapter 5 Test analysis | 第151-160页 |
| ·BP neural network test | 第151-155页 |
| ·Verification of the genetic algorithm | 第155-157页 |
| ·Utilize the genetic algorithm to improve the test of BP neural network | 第157-160页 |
| Chapter 6 Conclusion | 第160-162页 |
| 4. Research survey of the data mining based on soft computing technology | 第162-218页 |
| Preface | 第164-165页 |
| Part 1 Knowledge Discovery and Data Mining in Databases | 第165-177页 |
| Chapter 1 knowledge is discovered in databases | 第165-169页 |
| ·Basic conception of knowledge discover | 第165页 |
| ·Basic course of knowledge discovery | 第165-166页 |
| ·the Dealing with the Course Model of Knowledge Discovery | 第166-169页 |
| ·Deal with the course model in the ladder | 第166页 |
| ·Deal with the course model in spiral | 第166-167页 |
| ·Treating model of regarding user as the centre | 第167页 |
| ·On-line KDD model | 第167页 |
| ·KDD dealing with the model of supporting many knowledge data sources.163 Chapter 2 the Data Mining | 第167-169页 |
| Chapter 2 the Data Mining | 第169-177页 |
| ·the summary of the data mining | 第169-171页 |
| ·the summary of the data mining | 第169-170页 |
| ·Relation between KDD and DM | 第170页 |
| ·the theoretical foundation of the data mine studied | 第170-171页 |
| ·the Function of the data mining | 第171-177页 |
| Part 2 Soft Computing Technology | 第177-213页 |
| Chapter 3 Rough set theory (RS) | 第177-187页 |
| ·Basic conception | 第177-179页 |
| ·Distinguish matrix and distinguish function | 第179-180页 |
| ·Collecting the knowledge in the theory coarsely expresses | 第180-181页 |
| ·Rough set theory application in the data mining | 第181-185页 |
| ·Dispersing of successive attribute | 第181-184页 |
| ·Attribute Reduction | 第184-185页 |
| ·The rule mining | 第185页 |
| ·data mining method in improved rough set | 第185-187页 |
| Chapter four Artificial neural network | 第187-201页 |
| ·The artificial neural network develops the biref history and classification | 第187-188页 |
| ·Basic conception of neural networks | 第188-190页 |
| ·Study mechanism and organization of the neural network | 第188-190页 |
| ·Limitation of neural networks | 第190页 |
| ·Improvement of neural network BP algorithms | 第190-195页 |
| ·Prevent from it is the part minimum and improve Convergence method of speed | 第191-193页 |
| ·The reason the latent layer of nodes is intangible | 第193-194页 |
| ·BP neural network ability of generation | 第194-195页 |
| ·Main characteristic of the neural network | 第195-196页 |
| ·Convergence property of neural networks | 第196-197页 |
| ·Application of neural networks | 第197-201页 |
| Chapter five genetic algorithm | 第201-213页 |
| ·The genetic algorithm describing | 第201-202页 |
| ·Theoretical foundation of the hereditary algorithm | 第202-204页 |
| ·Mode theorem and building blocks hypothesis | 第202-204页 |
| ·Genetic algorithm convergence property analysis on | 第204页 |
| ·Research direction of the genetic algorithm | 第204-205页 |
| ·Study progress in genetic algorithm | 第205-207页 |
| ·Genetic algorithms improving | 第207-213页 |
| ·Choose the operator to improve the method and technology | 第208页 |
| ·Cross operator improve the method and technology | 第208页 |
| ·Mutation operator improve method technology | 第208-209页 |
| ·Improvement of fitness function | 第209-211页 |
| ·Code method improvement | 第211-213页 |
| Third part On the basis of soft computing integration method | 第213-218页 |
| Chapter six the soft computing integration method | 第213-218页 |
| ·The integration methods of rough set and neural networks | 第213-215页 |
| ·Integration method of genetic algorithm and artificial neural network | 第215-216页 |
| ·soft computing technology | 第216-217页 |
| ·Integration method of collecting on the basis of being RS and genetic algorithm | 第217-218页 |
| 致谢 | 第218页 |
