| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 CGT模型国内外研究现状 | 第10-12页 |
| 1.2.2 犯罪案件数目预测模型国内外研究现状 | 第12-13页 |
| 1.2.3 智能算法的国内外研究现状 | 第13-14页 |
| 1.3 课题来源 | 第14页 |
| 1.4 论文主要研究内容与内容安排 | 第14-16页 |
| 1.4.1 论文主要研究内容 | 第14-15页 |
| 1.4.2 论文组织结构 | 第15-16页 |
| 第二章 基于模糊算法的犯罪地理目标预测模型构建及应用 | 第16-31页 |
| 2.1 犯罪预测 | 第16-18页 |
| 2.1.1 犯罪预测的基本原理 | 第16页 |
| 2.1.2 犯罪预测模型的构建方法 | 第16-18页 |
| 2.2 CGT预测模型基本原理 | 第18-20页 |
| 2.2.1 犯罪地理画像 | 第18-19页 |
| 2.2.2 CGT预测模型 | 第19-20页 |
| 2.3 模糊算法 | 第20-24页 |
| 2.3.1 模糊集合 | 第20-21页 |
| 2.3.2 常用的隶属函数 | 第21-22页 |
| 2.3.3 模糊关系 | 第22-24页 |
| 2.4 CGT预测模型优化 | 第24-25页 |
| 2.5 实例验证 | 第25-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 遗传禁忌优化的BP神经网络长周期犯罪预测 | 第31-47页 |
| 3.1 BP神经网络算法的设计 | 第31-36页 |
| 3.1.1 BP神经网络模型 | 第31-33页 |
| 3.1.2 算法的影响因素分析 | 第33-35页 |
| 3.1.3 网络结构的确定 | 第35-36页 |
| 3.2 遗传算法的设计 | 第36-39页 |
| 3.2.1 算法的特点 | 第37页 |
| 3.2.2 适应度的计算方法 | 第37页 |
| 3.2.3 算法的步骤 | 第37-39页 |
| 3.3 禁忌算法的设计 | 第39-41页 |
| 3.3.1 算法的影响因素分析 | 第39-40页 |
| 3.3.2 算法的步骤 | 第40-41页 |
| 3.4 遗传禁忌优化的BP神经网络长周期犯罪预测模型 | 第41-43页 |
| 3.5 实例验证 | 第43-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 混沌粒子群优化的BP神经网络短周期犯罪预测 | 第47-59页 |
| 4.1 粒子群算法的设计 | 第47-50页 |
| 4.1.1 算法的基本原理 | 第47-48页 |
| 4.1.2 算法的影响因素分析 | 第48-49页 |
| 4.1.3 算法的步骤 | 第49-50页 |
| 4.2 混沌算法的设计 | 第50-51页 |
| 4.2.1 算法的特性 | 第50-51页 |
| 4.2.2 常用的混沌映射 | 第51页 |
| 4.2.3 算法的步骤 | 第51页 |
| 4.3 混沌粒子群优化的BP神经网络犯罪预测模型 | 第51-54页 |
| 4.3.1 粒子群优化的BP神经网络短周期犯罪预测模型 | 第52-53页 |
| 4.3.2 混沌粒子群优化的BP神经网络短周期犯罪预测模型 | 第53-54页 |
| 4.4 实例验证 | 第54-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 基于小波阈值法的犯罪预测 | 第59-66页 |
| 5.1 小波阈值去噪法 | 第59-61页 |
| 5.1.1 小波阈值法的基本原理 | 第59-61页 |
| 5.1.2 小波阈值风险 | 第61页 |
| 5.1.3 小波阈值法去噪步骤 | 第61页 |
| 5.2 基于小波阈值法去噪的犯罪预测模型 | 第61-63页 |
| 5.3 实例验证 | 第63-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 附录A 插图清单 | 第71-73页 |
| 附录B 插表清单 | 第73-74页 |
| 在校研究成果 | 第74-75页 |
| 致谢 | 第75页 |
