| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 引言 | 第10-18页 |
| ·课题背景 | 第10-11页 |
| ·国内外研究现状 | 第11-15页 |
| ·基于层次分析法和德尔菲法的评价方法 | 第11-12页 |
| ·基于灰色系统的综合评价模型 | 第12-13页 |
| ·基于数据包络分析法的模型评价方法 | 第13页 |
| ·基于概率神经网络评价模型 | 第13-14页 |
| ·基于离散 Hopfield 和 BP 神经网络评价模型 | 第14-15页 |
| ·已有模型存在的不足和展望 | 第15-16页 |
| ·本文组织结构 | 第16-18页 |
| 2 机器学习理论方法概述 | 第18-28页 |
| ·邻域粗糙集理论与方法 | 第18-21页 |
| ·基于邻域的粒化 | 第18-19页 |
| ·邻域粗糙集逼近 | 第19页 |
| ·邻域决策系统 | 第19-21页 |
| ·神经网络理论与方法 | 第21-22页 |
| ·BP 神经网络理论 | 第21-22页 |
| ·BP 网络学习算法 | 第22页 |
| ·支持向量机和粒子群算法理论与方法 | 第22-27页 |
| ·线性可分 SVM | 第22-24页 |
| ·线性不可分 SVM | 第24-25页 |
| ·多分类 SVM | 第25-26页 |
| ·粒子群算法理论基础 | 第26-27页 |
| ·粒子群算法惯性权重 | 第27页 |
| ·本章小结 | 第27-28页 |
| 3 基于神经网络和支持向量机的教师科研能力评价模型 | 第28-42页 |
| ·科研评价指标选取标准及样本数据预处理 | 第28-35页 |
| ·科研指标体系的设定 | 第28-29页 |
| ·实验数据获取 | 第29-32页 |
| ·数据预处理 | 第32-35页 |
| ·基于 BP 神经网络和 SVM 方法的评价模型的建立 | 第35-40页 |
| ·基于 BP 神经网络的教师科研能力评价模型 | 第35-37页 |
| ·基于支持向量机的教师科研能力评价模型 | 第37-40页 |
| ·两种评价模型的仿真结果比对分析 | 第40页 |
| ·本章小结 | 第40-42页 |
| 4 基于支持向量机的科研能力评价模型 | 第42-54页 |
| ·基于邻域模型的前向贪心数值属性约简 | 第42-44页 |
| ·邻域大小的设定 | 第42-43页 |
| ·基于邻域模型的前向贪心数值属性约简 | 第43-44页 |
| ·样本集属性约简 | 第44页 |
| ·SVM 评价模型的优化 | 第44-53页 |
| ·基于 NRS 和 SVM 评价模型实验 | 第44-48页 |
| ·基于粒子群的 SVM 算法优化评价模型 | 第48-52页 |
| ·试验结果分析 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 5 基于粗糙集与 SVM 的科研能力评价系统的实现 | 第54-62页 |
| ·项目背景介绍 | 第54-56页 |
| ·项目背景 | 第54-55页 |
| ·系统总体框架 | 第55-56页 |
| ·系统开发环境及相关技术 | 第56页 |
| ·机器学习方法在科研能力评价模块中的实现 | 第56-61页 |
| ·训练数据导出和更新功能 | 第57-58页 |
| ·数据预处理 | 第58-59页 |
| ·模型训练功能 | 第59-60页 |
| ·模型评价预测 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 6 总结与展望 | 第62-64页 |
| ·研究工作总结 | 第62-63页 |
| ·后续工作展望 | 第63-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第70页 |
