| 第一章 绪论 | 第1-18页 |
| ·问题提出 | 第12-13页 |
| ·林业立地条件 | 第13-15页 |
| ·本文的课题来源及研究内容 | 第15-16页 |
| ·本文的结构安排 | 第16-18页 |
| 第二章 知识发现概述 | 第18-28页 |
| ·知识发现的起源和发展 | 第18-20页 |
| ·KDD的处理过程 | 第20-21页 |
| ·机器学习的方法和技术 | 第21-23页 |
| ·机器学习研究中存在的问题 | 第23-24页 |
| ·智能林业决策系统 | 第24-27页 |
| ·目前的林业决策分析现状 | 第24-26页 |
| ·智能林业决策系统 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 基于粗糙集的数据预处理 | 第28-41页 |
| ·基本概念 | 第28-29页 |
| ·数据预处理 | 第29-31页 |
| ·粗糙集基本概念 | 第31-34页 |
| ·属性约简 | 第34-37页 |
| ·基于差别矩阵的属性约简方法 | 第34-35页 |
| ·基于信息量的属性约简算法 | 第35-36页 |
| ·基于分支限界方法的属性约简 | 第36-37页 |
| ·规则发现 | 第37-38页 |
| ·约简实例运算 | 第38-40页 |
| ·属性约简 | 第38页 |
| ·规则约简 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 基于神经网络的机器学习方法 | 第41-59页 |
| ·人工神经网络概述 | 第41-46页 |
| ·人工神经网络特点 | 第41-42页 |
| ·神经网络的学习方法 | 第42-43页 |
| ·神经网络模型 | 第43-44页 |
| ·人工神经元的模型 | 第44-46页 |
| ·前馈神经网络 | 第46-51页 |
| ·BP网络的结构 | 第46页 |
| ·BP网络的训练过程 | 第46-50页 |
| ·误差反向传播的流程 | 第50-51页 |
| ·BP网络的改进 | 第51-53页 |
| ·BP网络的限制与不足 | 第51-52页 |
| ·BP算法的改进方法 | 第52-53页 |
| ·对UCI数据进行学习训练示例 | 第53-56页 |
| ·约简后进行神经网络训练的比较 | 第56-57页 |
| ·本章小结 | 第57-59页 |
| 第五章 林业信息处理的RoughSet-NN模型 | 第59-70页 |
| ·基本概念 | 第59-60页 |
| ·RoughSet-NN模型的实现 | 第60-62页 |
| ·数据初始化 | 第60-61页 |
| ·属性约简 | 第61页 |
| ·信息系统的约简模块 | 第61页 |
| ·神经网络建立训练学习模型 | 第61-62页 |
| ·测试 | 第62页 |
| ·RoughSet-NN模型在林业知识发现中的运用 | 第62-67页 |
| ·输入输出数据的预处理 | 第62-64页 |
| ·属性约简 | 第64页 |
| ·信息系统的约简 | 第64页 |
| ·神经网络训练 | 第64-66页 |
| ·运用模型进行仿真测试 | 第66-67页 |
| ·基于RoughSet-NN算法的实例系统 | 第67-69页 |
| ·本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| ·本文主要工作 | 第70-71页 |
| ·进一步的研究 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 在学期间撰写的论文 | 第75页 |
| 在学期间参加的科研项目 | 第75页 |