多蚁群算法在化学模式分类器优化设计中的应用
| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-15页 |
| ·引言 | 第11页 |
| ·化学化工中复杂数据的信息挖掘 | 第11-13页 |
| ·模式分类技术在化学化工的重要作用 | 第13-14页 |
| ·本文内容组织 | 第14-15页 |
| 第二章 模式分类主要方法 | 第15-31页 |
| ·引言 | 第15-17页 |
| ·模式分类方法 | 第17-24页 |
| ·模板匹配法 | 第17-18页 |
| ·距离分类法 | 第18-19页 |
| ·线性判别函数 | 第19页 |
| ·势函数法 | 第19-21页 |
| ·基于Bayes法则的分类器 | 第21-22页 |
| ·人工神经元网络 | 第22-23页 |
| ·支持向量机 | 第23-24页 |
| ·规则学习 | 第24-29页 |
| ·决策树 | 第24-27页 |
| ·粗糙集方法学习规则 | 第27-29页 |
| ·规则学习与优化 | 第29页 |
| ·化学化工模式分类问题 | 第29-30页 |
| ·化学化工模式分类问题的特点 | 第29-30页 |
| ·本论文所研究的化学化工模式分类问题 | 第30页 |
| ·本章小结 | 第30-31页 |
| 第三章 最优化技术简介 | 第31-47页 |
| ·最优化问题 | 第31页 |
| ·局部与全局优化方法 | 第31-32页 |
| ·局部优化方法 | 第31页 |
| ·全局优化方法 | 第31-32页 |
| ·无免费午餐定理 | 第32页 |
| ·最优化方法 | 第32-40页 |
| ·经典优化算法 | 第33页 |
| ·启发式算法 | 第33-34页 |
| ·现代启发式算法 | 第34-40页 |
| ·蚁群优化算法在化工化学领域中的应用 | 第40-42页 |
| ·无约束测试函数 | 第42-45页 |
| ·本章小结 | 第45-47页 |
| 第四章 多种群蚁群算法在模式分类中的应用 | 第47-70页 |
| ·引言 | 第47-48页 |
| ·基本蚁群算法模型及实现 | 第48-56页 |
| ·TSP问题数学描述 | 第48-49页 |
| ·基本蚁群算法的数学模型 | 第49-51页 |
| ·基本蚁群算法的实现 | 第51-52页 |
| ·基本蚁群算法融入局部搜索策略 | 第52-56页 |
| ·多蚁群优化的算法构建 | 第56-59页 |
| ·多蚁群优化算法的构建思路 | 第56-57页 |
| ·MACO算法的实现步骤 | 第57-58页 |
| ·TSP问题测试结果与讨论 | 第58-59页 |
| ·规则学习与模式分类器的构建 | 第59-66页 |
| ·IF-THEN规则的表述、评价 | 第59-60页 |
| ·信息熵的Chi-merge方法 | 第60-62页 |
| ·蚁群算法与分类器的构建和使用 | 第62-65页 |
| ·规则修剪和分类器的建立 | 第65-66页 |
| ·分类器的运用 | 第66页 |
| ·LR—PC—MACO模式分类器的应用 | 第66-68页 |
| ·测试实例 | 第66-67页 |
| ·分类测试的结果与讨论 | 第67-68页 |
| ·本章小结 | 第68-70页 |
| 第五章 总结与展望 | 第70-72页 |
| ·本文工作总结 | 第70-71页 |
| ·未来工作展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77-78页 |
| 攻读硕士学位期间完成的论文及参与的科研项目 | 第78页 |
