| 中文摘要 | 第1-9页 |
| 英文摘要 | 第9-11页 |
| 第一章： 概述 | 第11-23页 |
| 1．1 模式分类 | 第11-13页 |
| 1．2 模式分类方法 | 第13-19页 |
| 1．2．1 模板匹配法 | 第14页 |
| 1．2．2 距离分类法 | 第14-15页 |
| 1．2．3 线性判别函数 | 第15-16页 |
| 1．2．4 势函数法 | 第16-17页 |
| 1．2．5 基于Bayes法则的分类器 | 第17-18页 |
| 1．2．6 人工神经元网络 | 第18-19页 |
| 1．3 特征提取方法 | 第19-20页 |
| 1．4 化学化工模式分类问题 | 第20-21页 |
| 1．4．1 化学化工模式分类问题的特点 | 第20页 |
| 1．4．2 本论文所研究的化学化工模式分类问题 | 第20-21页 |
| 1．4．2．1 留兰香油样本 | 第20-21页 |
| 1．4．2．2 胺类毒物样本 | 第21页 |
| 1．5 本论文的研究内容 | 第21-22页 |
| 1．6 论文内容安排 | 第22-23页 |
| 第二章： 统计模式分类方法 | 第23-35页 |
| 2．1 判别分析 | 第23页 |
| 2．2 Fisher判别 | 第23-29页 |
| 2．3 Bayes判别 | 第29-32页 |
| 2．4 统计模式分类方法的应用 | 第32-35页 |
| 第三章： 人工神经元网络分类方法 | 第35-52页 |
| 3．1 神经元网络的分类特性 | 第35-37页 |
| 3．1．1 神经元网络的发展 | 第35-36页 |
| 3．1．2 神经元网络的分类特点 | 第36-37页 |
| 3．2 多层前馈网络 | 第37-46页 |
| 3．2．1 多层前馈网络的结构和特点 | 第38-40页 |
| 3．2．2 BP算法与Levenberg-Marquardt算法 | 第40-44页 |
| 3．2．2．1 BP算法 | 第40-42页 |
| 3．2．2．2 Levenberg-Marquardt算法 | 第42-44页 |
| 3．2．3 多层前馈网络的应用 | 第44-46页 |
| 3．3 RBF网络 | 第46-52页 |
| 3．3．1 RBF网络的结构与特点 | 第47-50页 |
| 3．3．2 RBF网络的应用 | 第50-52页 |
| 第四章： 变量筛选与成分提取 | 第52-64页 |
| 4．1 变量筛选与成分提取 | 第52-53页 |
| 4．1．1 变量筛选 | 第52-53页 |
| 4．1．2 成分提取 | 第53页 |
| 4．2 逐步判别分析 | 第53-55页 |
| 4．2．1 逐步判别分析 | 第53-54页 |
| 4．2．2 逐步判别分析的应用 | 第54-55页 |
| 4．3 主成分分析 | 第55-59页 |
| 4．3．1 主成分的定义 | 第55-56页 |
| 4．3．2 主成分的求解 | 第56页 |
| 4．3．3 留兰香样本的主成分分析 | 第56-59页 |
| 4．4 相关成分分析 | 第59-64页 |
| 4．4．1 类别向量的表示形式 | 第59-60页 |
| 4．4．2 相关成分的分类性能 | 第60-61页 |
| 4．4．3 相关成分的计算 | 第61页 |
| 4．4．4 留兰香数据的相关成分分析 | 第61-64页 |
| 第五章： 模式分类器的集成策略及其应用 | 第64-79页 |
| 5．1 模式分类器的集成策略 | 第64-68页 |
| 5．1．1 前馈神经网络的分类机理 | 第64-66页 |
| 5．1．2 模式分类器的集成策略 | 第66-68页 |
| 5．2 WS．T-CCA-Bayes集成分类器 | 第68-71页 |
| 5．2．1 WS．T-CCA-Bayes集成分类器的构建 | 第68-69页 |
| 5．2．2 WS．T-CCA-Bayes集成分类器的性能测试 | 第69-71页 |
| 5．3 RBF-CCA-Fisher集成分类器 | 第71-73页 |
| 5．3．1 RBF-CCA-Fisher的集成分类器的构建 | 第71-72页 |
| 5．3．2 RBF-CCA-Fisher集成分类器的性能测试 | 第72-73页 |
| 5．4 集成分类器在化学模式分类问题中的应用 | 第73-78页 |
| 5．4．1 分类结果与分析 | 第73-75页 |
| 5．4．1．1 WS．T-CCA-Bayes集成分类器的分类结果与分析 | 第73-74页 |
| 5．4．1．2 RBET-CCA-Fisher集成分类器的分类结果与分析 | 第74-75页 |
| 5．4．2 样本的散点图分析 | 第75-77页 |
| 5．4．3 WS．T-CCA-Fisher与RBF．T-CCA-Bayes的分类结果 | 第77-78页 |
| 5．5 结论 | 第78-79页 |
| 第六章： 总结与展望 | 第79-81页 |
| 6．1 总结 | 第79-80页 |
| 6．2 展望 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 致谢 | 第86-87页 |
| 作者在攻读硕士学位期间撰写的论文以及参与的项目 | 第87页 |
