| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| ·引言 | 第10-11页 |
| ·数据挖掘的发展现状 | 第11-14页 |
| ·数据挖掘的产生 | 第11-12页 |
| ·数据挖掘的常用算法与技术 | 第12-13页 |
| ·神经网络的提出与在数据挖掘中的应用 | 第13-14页 |
| ·本文的主要研究内容 | 第14-15页 |
| ·本文组织结构图 | 第15-16页 |
| 第二章 神经网络在数据挖掘中的应用 | 第16-32页 |
| ·神经网络在数据挖掘中的应用概述 | 第16页 |
| ·人工神经网络算法理论 | 第16-23页 |
| ·生物神经元以及人工神经元 | 第16-19页 |
| ·主要神经网络模型 | 第19-23页 |
| ·数据挖掘中应用神经网络的步骤 | 第23-28页 |
| ·输入输出的选择及预处理 | 第23-25页 |
| ·样本集的设计 | 第25页 |
| ·设计神经网络结构 | 第25-27页 |
| ·前馈神经网络初始权值的设计 | 第27页 |
| ·网络训练与测试 | 第27-28页 |
| ·神经网络的学习规则 | 第28-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 神经网络的性能优化算法 | 第32-46页 |
| ·神经网络性能优化与最优化计算 | 第32-33页 |
| ·局部寻优及其计算 | 第33-36页 |
| ·最速下降法 | 第34页 |
| ·牛顿法 | 第34-35页 |
| ·Levenberg-Marquardt(LM)算法 | 第35-36页 |
| ·全局优化算法 | 第36-44页 |
| ·进化计算算法 | 第37-39页 |
| ·遗传算法 | 第39-40页 |
| ·蚁群算法 | 第40-41页 |
| ·微粒群算法(Particle Swarm Optimization,PSO) | 第41-42页 |
| ·粒子群算法的优化 | 第42-44页 |
| ·本章小结 | 第44-46页 |
| 第四章 单纯形微粒群优化神经网络 | 第46-54页 |
| ·神经网络的学习规则与寻优算法的改进 | 第46页 |
| ·误差学习规则下的粒子群寻优算法 | 第46-48页 |
| ·单纯形微粒群算法对复合适应度神经网络的训练 | 第48-50页 |
| ·用复合适应度作为训练指标 | 第48-49页 |
| ·利用单纯形算法改进微粒群 | 第49-50页 |
| ·单纯形微粒群算法优化复合适应度神经网络 | 第50页 |
| ·在IRIS数据预测中的应用 | 第50-53页 |
| ·本章小结 | 第53-54页 |
| 第五章 神经网络数据挖掘模型在WEB过滤技术中的应用 | 第54-82页 |
| ·背景与意义 | 第54-55页 |
| ·问题分析与解决方案 | 第55-60页 |
| ·SM-PSO-ANN智能化WEB过滤系统 | 第60-71页 |
| ·样本的组织 | 第62页 |
| ·分词的实施 | 第62-64页 |
| ·采用遗传算法的特征提取 | 第64-68页 |
| ·非法文档模板的构建 | 第68-69页 |
| ·SM-PSO-ANN在web过滤系统中的应用 | 第69-71页 |
| ·基于自学习机制的信息过滤模型 | 第71-76页 |
| ·主要系统模块 | 第73-75页 |
| ·系统流程 | 第75-76页 |
| ·本系统应用于开源平台的最终结果 | 第76-81页 |
| ·试验平台设计 | 第76-78页 |
| ·过滤过程 | 第78-80页 |
| ·过滤效果 | 第80-81页 |
| ·本章小结 | 第81-82页 |
| 第六章 总结与展望 | 第82-84页 |
| ·本文的主要工作 | 第82-83页 |
| ·下一步的努力方向 | 第83-84页 |
| 攻读硕士期间发表的文章 | 第84-86页 |
| 致谢 | 第86-88页 |
| 参考文献 | 第88-92页 |
| 附录 | 第92-98页 |
