| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| Extended Abstract | 第10-23页 |
| 1 绪论 | 第23-43页 |
| 1.1 研究背景 | 第23-24页 |
| 1.2 课题来源 | 第24页 |
| 1.3 国内外研究现状 | 第24-39页 |
| 1.4 存在的问题及本文研究的重点 | 第39-41页 |
| 1.5 本文的主要研究内容和组织结构 | 第41-43页 |
| 2 基础理论 | 第43-55页 |
| 2.1 概述 | 第43页 |
| 2.2 粒计算的研究目标 | 第43-44页 |
| 2.3 粒的结构 | 第44-45页 |
| 2.4 粒计算的三元论 | 第45页 |
| 2.5 粒计算的基本问题 | 第45-46页 |
| 2.6 粒计算的基本模型 | 第46-54页 |
| 2.7 小结 | 第54-55页 |
| 3 基于领域覆盖和AP算法的神经网络分类学习模型及其算法研究 | 第55-68页 |
| 3.1 AP聚类算法和覆盖算法概述 | 第55-60页 |
| 3.2 构造分类神经元模型 | 第60-61页 |
| 3.3 神经网络分类模型体系结构及算法 | 第61-63页 |
| 3.4 实验与分析 | 第63-67页 |
| 3.5 小结 | 第67-68页 |
| 4 基于商空间粒度聚类的个体神经网络生成和集成方法 | 第68-83页 |
| 4.1 商空间理论和BP神经网络概述 | 第68-76页 |
| 4.2 基于商空间粒度分析的AP聚类算法 | 第76-77页 |
| 4.3 基于商空间粒度聚类的神经网络集成体系结构及算法 | 第77-79页 |
| 4.4 实验与分析 | 第79-82页 |
| 4.5 小结 | 第82-83页 |
| 5 基于二次聚类的个体神经网络生成方法 | 第83-100页 |
| 5.1 神经网络集成的基本原理及经典算法 | 第83-89页 |
| 5.2 基于二次聚类的神经网络集成模型及算法描述 | 第89-91页 |
| 5.3 实验与分析 | 第91-98页 |
| 5.4 小结 | 第98-100页 |
| 6 多侧面多粒度神经网络集成优化方法 | 第100-112页 |
| 6.1 概述 | 第100-104页 |
| 6.2 用多侧面方法构建多样性特征属性粒 | 第104-105页 |
| 6.3 多侧面多粒度神经网络集成优化模型及其算法 | 第105-106页 |
| 6.4 优化选择集成个体神经网络 | 第106-107页 |
| 6.5 实验与分析 | 第107-111页 |
| 6.6 小结 | 第111-112页 |
| 7 结论与展望 | 第112-116页 |
| 7.1 结论 | 第112-114页 |
| 7.2 展望 | 第114-116页 |
| 参考文献 | 第116-131页 |
| 作者简历 | 第131-134页 |
| 学位论文数据集 | 第134页 |
