河流砂重矿物自动分析工具的设计与实现
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 背景和意义 | 第14-15页 |
| 1.2 研究方向和进展 | 第15-16页 |
| 1.2.1 重矿物鉴定的传统方法和相关软件 | 第15-16页 |
| 1.2.2 重矿物能谱数据的分析 | 第16页 |
| 1.3 本文工作 | 第16-17页 |
| 1.4 本文组织结构 | 第17-20页 |
| 第二章 技术综述 | 第20-30页 |
| 2.1 规则学习技术 | 第20-25页 |
| 2.1.1 规则学习相关理论 | 第20-22页 |
| 2.1.2 规则学习方法总结 | 第22-25页 |
| 2.2 Python模块 | 第25-28页 |
| 2.2.1 PyQt模块 | 第25-26页 |
| 2.2.2 sqlite3模块 | 第26页 |
| 2.2.3 Matplotlib模块 | 第26-27页 |
| 2.2.4 scikit-learn模块 | 第27-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第三章 规则挖掘方法设计与验证 | 第30-54页 |
| 3.1 规则挖掘方法框架 | 第30-31页 |
| 3.2 现有的规则挖掘技术 | 第31-37页 |
| 3.2.1 迭代二分决策树 | 第31-34页 |
| 3.2.2 分类和回归决策树 | 第34-37页 |
| 3.2.3 Prism归纳法 | 第37页 |
| 3.3 基于径向基神经网络的规则生成方法 | 第37-43页 |
| 3.3.1 方法动机 | 第37-38页 |
| 3.3.2 方法框架 | 第38-39页 |
| 3.3.3 方法设计 | 第39-43页 |
| 3.4 规则挖掘验证实验设计 | 第43-46页 |
| 3.4.1 研究问题 | 第43-44页 |
| 3.4.2 数据集和评价指标 | 第44-46页 |
| 3.4.3 实验设计 | 第46页 |
| 3.5 规则挖掘结果分析 | 第46-52页 |
| 3.5.1 规则集分类有效性的验证 | 第46-47页 |
| 3.5.2 规则质量的验证 | 第47-50页 |
| 3.5.3 Screnn方法参数的探讨 | 第50-52页 |
| 3.6 本章小结 | 第52-54页 |
| 第四章 工具的设计与实现 | 第54-82页 |
| 4.1 工具需求分析 | 第54-56页 |
| 4.1.1 用例分析 | 第54-55页 |
| 4.1.2 功能性需求 | 第55-56页 |
| 4.2 工具模块设计 | 第56-70页 |
| 4.2.1 总体结构和界面框架 | 第56-59页 |
| 4.2.2 数据库模块的设计 | 第59-63页 |
| 4.2.3 信息展示模块的设计 | 第63-65页 |
| 4.2.4 数据图形化展示模块的设计 | 第65-67页 |
| 4.2.5 规则挖掘模块的设计 | 第67-70页 |
| 4.3 工具模块实现 | 第70-81页 |
| 4.3.1 数据库模块 | 第70-73页 |
| 4.3.2 信息展示模块 | 第73-74页 |
| 4.3.3 数据图形化展示模块 | 第74-77页 |
| 4.3.4 规则挖掘模块 | 第77-80页 |
| 4.3.5 工具的评价 | 第80-81页 |
| 4.4 本章小结 | 第81-82页 |
| 第五章 总结与展望 | 第82-86页 |
| 5.1 总结 | 第82-83页 |
| 5.2 展望 | 第83-86页 |
| 参考文献 | 第86-92页 |
| 简历与科研成果 | 第92-94页 |
| 致谢 | 第94-95页 |
