基于不确定理论和机器学习的知识发现研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-13页 |
| 第1章 绪论 | 第13-31页 |
| ·知识发现 | 第13-17页 |
| ·知识发现的任务 | 第15-16页 |
| ·知识发现的对象 | 第16-17页 |
| ·知识发现的方法 | 第17-29页 |
| ·不确定性理论的方法 | 第17-26页 |
| ·机器学习方法 | 第26-29页 |
| 参考文献 | 第29-31页 |
| 第2章 基于粗糙集的酥梨病害知识发现系统构建 | 第31-46页 |
| ·粗糙集理论的产生和发展 | 第31-34页 |
| ·粗糙集理论的发展概况 | 第31-32页 |
| ·粗糙集理论的研究现状 | 第32-33页 |
| ·粗糙集试验系统 | 第33-34页 |
| ·粗糙集理论的基本概念 | 第34-40页 |
| ·知识与知识库 | 第34-35页 |
| ·不精确范畴、近似及粗糙集 | 第35-36页 |
| ·知识约简 | 第36-38页 |
| ·知识的依赖性 | 第38页 |
| ·知识表达系统 | 第38-39页 |
| ·决策表 | 第39-40页 |
| ·区分矩阵与区分函数 | 第40页 |
| ·酥梨病害知识系统构建 | 第40-44页 |
| ·系统结构 | 第41页 |
| ·知识表示 | 第41-42页 |
| ·属性约简 | 第42-43页 |
| ·规则提取 | 第43-44页 |
| ·酥梨病害系统应用实例 | 第44页 |
| ·结束语 | 第44-45页 |
| 参考文献 | 第45-46页 |
| 第3章 基于限制容差关系的粗糙集模型拓展 | 第46-54页 |
| ·不完备信息系统的研究现状 | 第46-48页 |
| ·已有扩展的不完备信息系统粗集模型 | 第48-50页 |
| ·容差关系模型 | 第48页 |
| ·非对称相似关系模型 | 第48-49页 |
| ·限制容差关系模型 | 第49-50页 |
| ·改进的限制粗集模型—α限制容差关系模型 | 第50页 |
| ·α限制容差关系模型性能比较分析 | 第50-52页 |
| ·结论 | 第52页 |
| 参考文献 | 第52-54页 |
| 第4章 基于D—S理论营养诊断方法融合模型构建 | 第54-70页 |
| ·证据理论的最新进展 | 第54-56页 |
| ·理论完善 | 第54-55页 |
| ·证据理论的应用 | 第55-56页 |
| ·证据理论存在的问题 | 第56页 |
| ·证据理论的基本知识 | 第56-63页 |
| ·识别框架 | 第57-58页 |
| ·基本可信度分配 | 第58-59页 |
| ·信度函数 | 第59-61页 |
| ·众信度函数 | 第61页 |
| ·似真度函数 | 第61-63页 |
| ·合成规则 | 第63页 |
| ·营养诊断技术问题分析 | 第63-64页 |
| ·基于D-S理论营养诊断融合模型构造 | 第64-66页 |
| ·营养诊断融合模型结果分析 | 第66-68页 |
| ·结束语 | 第68页 |
| 参考文献 | 第68-70页 |
| 第5章 基于神经网络的酥梨病害分类器设计 | 第70-87页 |
| ·人工神经元模型 | 第70-73页 |
| ·神经元的建模 | 第70-71页 |
| ·神经元的数学模型 | 第71-72页 |
| ·神经元的转移函数 | 第72-73页 |
| ·人工神经网络模型 | 第73-74页 |
| ·神经网络学习 | 第74-77页 |
| ·最速下降法 | 第75-76页 |
| ·LMS算法 | 第76-77页 |
| ·BP神经网络 | 第77-81页 |
| ·三层BP网络模型 | 第78-79页 |
| ·BP学习算法 | 第79-81页 |
| ·BP网络设计 | 第81-82页 |
| ·训练样本集的准备 | 第81-82页 |
| ·BP网络结构设计 | 第82页 |
| ·基于BP网络设计的酥梨病害分类器 | 第82-86页 |
| ·酥梨病害分类器学习样本的获取及预处理 | 第83-84页 |
| ·酥梨病害分类器网络设计 | 第84页 |
| ·酥梨病害分类器结果分析 | 第84-86页 |
| ·结束语 | 第86页 |
| 参考文献 | 第86-87页 |
| 第6章 基于支持向量机水分生产函数研究 | 第87-111页 |
| ·机器学习的模型 | 第87-88页 |
| ·经验风险最小化原则 | 第88-89页 |
| ·统计学习理论 | 第89-92页 |
| ·VC维 | 第89-90页 |
| ·学习机器推广的界 | 第90页 |
| ·结构风险最小化 | 第90-92页 |
| ·支持向量机 | 第92-105页 |
| ·二值分类 | 第92-93页 |
| ·最优分类超平面 | 第93-94页 |
| ·线性支持向量机 | 第94-95页 |
| ·近似线性可分支持向量机 | 第95-96页 |
| ·非线性支持向量机 | 第96-97页 |
| ·线性支持向量回归机 | 第97-99页 |
| ·近似线性支持向量回归机 | 第99-101页 |
| ·非线性支持向量回归机 | 第101-102页 |
| ·ν-支持向量回归机 | 第102-105页 |
| ·基于SVM的水分生产函数回归拟合 | 第105-110页 |
| ·样本数据及其处理 | 第106-108页 |
| ·进一步比较研究 | 第108-109页 |
| ·结果分析 | 第109-110页 |
| ·结束语 | 第110页 |
| 参考文献 | 第110-111页 |
| 第7章 总结与展望 | 第111-112页 |
| 致谢 | 第112-113页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第113页 |
