摘要 | 第5-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第12-18页 |
1.1 课题来源与选题背景 | 第12-13页 |
1.2 课题研究的目的和意义 | 第13-14页 |
1.3 研究目标与内容 | 第14-15页 |
1.4 研究的技术路线与方法 | 第15页 |
1.5 论文结构安排 | 第15-18页 |
第2章 相关理论与研究综述 | 第18-28页 |
2.1 卷烟相关知识 | 第18-23页 |
2.1.1 烟叶的分类及特 | 第18-20页 |
2.1.2 烟叶的物化特性 | 第20-21页 |
2.1.3 烟叶感官评吸方法 | 第21-23页 |
2.2 感官评估预测 | 第23-25页 |
2.2.1 卷烟感官评估预测相关研究 | 第23-24页 |
2.2.2 类似产品的感官评估预测研究 | 第24-25页 |
2.3 结合先验知识的预测方法 | 第25-27页 |
2.4 本章小结 | 第27-28页 |
第3章 卷烟知识的表示与获取 | 第28-42页 |
3.1 引言 | 第28页 |
3.2 数据来源及描述 | 第28-34页 |
3.2.1 数据来源 | 第28-29页 |
3.2.2 数据离散化 | 第29-34页 |
3.3 基于ID3决策树的知识获取方法 | 第34-40页 |
3.3.1 ID3决策树算法 | 第34-36页 |
3.3.2 基于ID3决策树的卷烟知识获取 | 第36-37页 |
3.3.3 极大极小化规则约简 | 第37-40页 |
3.4 基于相关性分析的卷烟知识获取方法 | 第40-41页 |
3.5 本章小结 | 第41-42页 |
第4章 基于先验知识的神经网络卷烟感官指标预测方法 | 第42-56页 |
4.1 引言 | 第42页 |
4.2 基于BP神经网络的卷烟感官指标预测模型 | 第42-46页 |
4.2.1 人工神经网络 | 第42-43页 |
4.2.2 BP神经网络 | 第43-45页 |
4.2.3 基于BP神经网络的卷烟感官指标预测模型设计 | 第45-46页 |
4.3 基于KBANN的卷烟感官指标预测模型 | 第46-49页 |
4.3.1 KBANN算法 | 第46-48页 |
4.3.2 基于KBANN的卷烟感官指标预测模型设计 | 第48-49页 |
4.4 基于RAPTURE的卷烟感官指标预测模型设计 | 第49页 |
4.5 数据实验 | 第49-54页 |
4.5.1 算法性能指标 | 第49-50页 |
4.5.2 基于BP神经网络的卷烟感官指标预测模型 | 第50-51页 |
4.5.3 基于KBANN的卷烟感官指标预测模型 | 第51-53页 |
4.5.4 基于RAPTURE的卷烟感官指标预测模型 | 第53页 |
4.5.5 神经网络、KBANN和RAPTURE的实验结果比较 | 第53-54页 |
4.6 本章小结 | 第54-56页 |
第5章 基于先验知识的贝叶斯网络卷烟感官指标预测方法 | 第56-70页 |
5.1 引言 | 第56页 |
5.2 贝叶斯网络卷烟感官指标预测模型 | 第56-61页 |
5.2.1 贝叶斯网络的描述 | 第56-57页 |
5.2.2 贝叶斯网络的类型 | 第57-58页 |
5.2.3 贝叶斯网络的学习 | 第58-59页 |
5.2.4 基于贝叶斯网络的卷烟感官指标预测模型设计 | 第59-61页 |
5.3 基于先验知识的贝叶斯网络卷烟感官预测模型 | 第61-62页 |
5.3.1 基于先验知识的贝叶斯网络 | 第61页 |
5.3.2 基于先验知识的贝叶斯网络卷烟感官评吸预测模型设计 | 第61-62页 |
5.4 数据实验 | 第62-68页 |
5.4.1 贝叶斯网络卷烟感官指标预测模型 | 第62-64页 |
5.4.2 基于先验知识的贝叶斯网络卷烟感官指标预测模型 | 第64页 |
5.4.3 贝叶斯网络与基于先验知识的贝叶斯网络的实验结果比较 | 第64-67页 |
5.4.4 基于先验知识的贝叶斯网络与基于先验知识的神经网络的实验结果比较 | 第67-68页 |
5.5 本章小结 | 第68-70页 |
第6章 总结与展望 | 第70-72页 |
6.1 论文工作总结 | 第70页 |
6.2 未来研究工作展望 | 第70-72页 |
参考文献 | 第72-76页 |
致谢 | 第76-78页 |
攻读硕士期间参加课题及获奖情况 | 第78页 |
1. 参加课题 | 第78页 |
2. 获奖情况 | 第78页 |