| 第一章 绪论 | 第1-14页 |
| 1．1 模式识别 | 第7页 |
| 1．2 模式识别领域中的一些新方法 | 第7-11页 |
| 1．2．1 粗糙集理论(Rough Set Theory，简记RST)方法 | 第7-8页 |
| 1．2．2 仿生模式识别(拓扑模式识别) | 第8-9页 |
| 1．2．3 人工免疫网络方法 | 第9-11页 |
| 1．3 论文的主要研究工作 | 第11-12页 |
| 1．3．1 研究目的及方法 | 第11-12页 |
| 1．3．2 论文的安排 | 第12页 |
| 1．4 本章小结 | 第12-14页 |
| 第二章 生物免疫系统与人工免疫网络 | 第14-25页 |
| 2．1 生物免疫系统 | 第14-19页 |
| 2．2 人工免疫系统 | 第19-24页 |
| 2．2．1 人工免疫系统的基本术语 | 第19-20页 |
| 2．2．2 三种典型的人工免疫网络 | 第20-24页 |
| 2．3 讨论 | 第24-25页 |
| 第三章 进化模糊人工免疫网络 | 第25-36页 |
| 3．1 算法实现 | 第25-29页 |
| 3．1．1 问题描述 | 第25-27页 |
| 3．1．2 算法步骤 | 第27-28页 |
| 3．1．3 补充说明 | 第28-29页 |
| 3．2 仿真试验 | 第29-34页 |
| 3．3 本章小结 | 第34-36页 |
| 第四章 用于函数逼近的EFAIN | 第36-49页 |
| 4．1 引言 | 第36-37页 |
| 4．2 函数逼近问题的描述 | 第37页 |
| 4．3 RBF神经网络用于函数逼近 | 第37-43页 |
| 4．3．1 RBF神经网络的基本结构及数学模型 | 第37-39页 |
| 4．3．2 RBF神经网络的中心选择的学习算法 | 第39-41页 |
| 4．3．3 RBF网络权值的学习算法——RLS(递推最小二乘) | 第41-43页 |
| 4．3．4 RBF网络的推广能力 | 第43页 |
| 4．4 基于EFAIN的RBF网络中心学习算法 | 第43-48页 |
| 4．4．1 算法实现 | 第43-45页 |
| 4．4．2 试验仿真 | 第45-48页 |
| 4．5 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5．1 结论 | 第49页 |
| 5．2 存在的问题和进一步研究的方向 | 第49-51页 |
| 5．2．1 本文算法存在的问题和进一步研究的方向 | 第49-50页 |
| 5．2．2 人工免疫系统进一步研究的方向 | 第50-51页 |
| 参考文献 | 第51-57页 |
| 致谢 | 第57-58页 |
| 个人简历、攻读硕士期间发表的论文 | 第58页 |