| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-10页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8页 |
| 1.3 本文主要研究内容 | 第8-9页 |
| 1.4 本文的组织结构 | 第9-10页 |
| 第二章 经典模糊系统概述及其弹性模糊系统框架搭建 | 第10-16页 |
| 2.1 经典数据驱动型模糊系统介绍 | 第10-12页 |
| 2.2 经典模糊系统特点分析和高维数据之挑战 | 第12-13页 |
| 2.3 弹性模糊系统框架搭建 | 第13-16页 |
| 第三章 基于熵加权K均值子空间聚类算法的L2型TSK模糊系统 | 第16-27页 |
| 3.1 引言 | 第16页 |
| 3.2 基于熵加权K均值子空间聚类的模糊规则前件学习 | 第16-18页 |
| 3.2.1 熵加权K均值子空间聚类 | 第16-17页 |
| 3.2.2 EWKM-L2-TSK-FS规则前件获取 | 第17-18页 |
| 3.3 基于ε-不敏感损失函数的模糊规则后件学习 | 第18-21页 |
| 3.3.1 L2型ε-不敏感损失函数优化算法 | 第18-20页 |
| 3.3.2 EWKM-L2-TSK-FS规则后件优化 | 第20-21页 |
| 3.4 实验与分析 | 第21-27页 |
| 3.4.1 模拟数据集实验 | 第22-24页 |
| 3.4.2 真实数据集实验 | 第24-27页 |
| 第四章 基于模糊子空间聚类的0阶岭回归型模糊系统 | 第27-36页 |
| 4.1 引言 | 第27页 |
| 4.2 基于模糊子空间聚类的模糊规则前件获取方法 | 第27-29页 |
| 4.2.1 模糊子空间聚类算法 | 第27-28页 |
| 4.2.2 FSC0RR-TSK-FS前件获取 | 第28-29页 |
| 4.3 基于岭回归优化方法的模糊规则后件学习 | 第29-32页 |
| 4.3.1 岭回归简介 | 第29-31页 |
| 4.3.2 FSC0RR-TSK-FS后件优化 | 第31-32页 |
| 4.4 实验与分析 | 第32-36页 |
| 4.4.1 模拟数据集实验 | 第33-34页 |
| 4.4.2 基于发酵数据集的仿真预测实验 | 第34-36页 |
| 第五章 模糊子空间聚类RBF神经网络建模 | 第36-46页 |
| 5.1 引言 | 第36-37页 |
| 5.2 RBF神经网络模型 | 第37-38页 |
| 5.2.1 结构和数学描述 | 第37页 |
| 5.2.2 噪音特征对传统RBF网络鲁棒性的影响 | 第37-38页 |
| 5.3 模糊子空间聚类RBF神经网络模型 | 第38-41页 |
| 5.3.1 结构和数学描述 | 第38-39页 |
| 5.3.2 基于模糊子空间聚类的特征抽取方法及RBF函数训练方法 | 第39-40页 |
| 5.3.3 基于不敏感度量和结构风险项的参数 ω 训练方法 | 第40-41页 |
| 5.4 实验与分析 | 第41-46页 |
| 5.4.1 实验设置 | 第41-42页 |
| 5.4.2 模拟数据集实验 | 第42-44页 |
| 5.4.3 真实数据集实验 | 第44-46页 |
| 主要结论与展望 | 第46-48页 |
| 主要结论 | 第46页 |
| 展望 | 第46-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第52页 |
