| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景和意义 | 第9-11页 |
| 1.2 课题研究现状 | 第11-13页 |
| 1.3 论文的主要工作和结构安排 | 第13-15页 |
| 第2章 粒计算简介 | 第15-22页 |
| 2.1 粒计算的基本概念 | 第15页 |
| 2.2 粒计算的基本问题 | 第15-17页 |
| 2.2.1 信息粒度的构造 | 第15-16页 |
| 2.2.2 信息粒的计算 | 第16-17页 |
| 2.3 粒计算的主要方法 | 第17-21页 |
| 2.3.1 词计算方法 | 第17-19页 |
| 2.3.2 粗糙集方法 | 第19-20页 |
| 2.3.3 商空间方法 | 第20页 |
| 2.3.4 不同方法的关系 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 基于粒计算的模糊建模方法 | 第22-37页 |
| 3.1 基于粒计算的知识发现 | 第22-27页 |
| 3.1.1 信息粒的表示 | 第23页 |
| 3.1.2 信息粒化 | 第23-27页 |
| 3.2 初始模糊规则库的生成 | 第27-29页 |
| 3.3 模糊模型参数的优化方法 | 第29-35页 |
| 3.3.1 方法一：自适应遗传算法 | 第29-32页 |
| 3.3.2 方法二：自适应模糊神经网络方法 | 第32-35页 |
| 3.4 本章小结 | 第35-37页 |
| 第4章 基于粒计算的模糊建模方法在智能数据分析中的应用 | 第37-80页 |
| 4.1 应用一：基于粒计算的模糊建模方法用于混凝土抗压强度输出预测 | 第37-52页 |
| 4.1.1 数据集的粒化结果及分析 | 第38-39页 |
| 4.1.2 模型参数优化前的建模结果及分析 | 第39-44页 |
| 4.1.3 自适应遗传算法用于模糊模型的优化 | 第44-48页 |
| 4.1.4 自适应模糊神经网络方法用于模糊模型的优化 | 第48-51页 |
| 4.1.5 结果比较与分析 | 第51-52页 |
| 4.2 应用二：基于粒计算的模糊建模方法用于能源效率输出预测 | 第52-70页 |
| 4.2.1 数据集的粒化及建模结果及分析 | 第54页 |
| 4.2.2 模型参数优化前的建模结果及分析 | 第54-58页 |
| 4.2.3 自适应遗传算法用于模糊模型的优化 | 第58-61页 |
| 4.2.4 自适应模糊神经网络方法用于模糊模型的优化 | 第61-70页 |
| 4.2.5 结果比较与分析 | 第70页 |
| 4.3 应用三：基于粒计算的模糊建模方法用于电厂电力输出预测 | 第70-79页 |
| 4.3.1 数据集的粒化结果及分析 | 第71-72页 |
| 4.3.2 模型参数优化前的建模结果及分析 | 第72-76页 |
| 4.3.3 自适应模糊神经网络方法用于模糊模型的优化 | 第76-79页 |
| 4.3.4 结果比较与分析 | 第79页 |
| 4.4 本章小结 | 第79-80页 |
| 第5章 本文总结与展望 | 第80-81页 |
| 5.1 本文研究工作总结 | 第80页 |
| 5.2 未来工作的展望 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 致谢 | 第86-87页 |
| 攻读学位期间发表的论文 | 第87页 |
