基于粗糙集与前馈网络的案例智能系统的研究
摘要 | 第1-10页 |
Abstract | 第10-13页 |
致谢 | 第13-18页 |
第一章 绪论 | 第18-32页 |
·案例智能 | 第18-21页 |
·CBR概述 | 第18-19页 |
·CBR的研究方向 | 第19-21页 |
·粗糙集 | 第21-26页 |
·粗糙集概述 | 第22-23页 |
·粗糙集的研究现状 | 第23-26页 |
·神经网络 | 第26-28页 |
·神经网络的发展概要 | 第26-27页 |
·神经网络与案例推理系统 | 第27-28页 |
·选题的意义 | 第28-30页 |
·论文的组织与安排 | 第30-32页 |
第二章 案例知识结构 | 第32-46页 |
·CBR的逻辑学基础 | 第32-36页 |
·类比推理 | 第32-33页 |
·案例智能技术 | 第33-35页 |
·非单调逻辑 | 第35-36页 |
·案例表示 | 第36-39页 |
·案例表示的要求 | 第36-37页 |
·案例表示方法 | 第37-39页 |
·相似性研究 | 第39-41页 |
·案例相似性理论 | 第39-40页 |
·相似性计算 | 第40-41页 |
·案例的组织 | 第41-43页 |
·案例修正技术 | 第43-45页 |
·案例修正方法 | 第43-44页 |
·修正知识获取 | 第44-45页 |
·本章小结 | 第45-46页 |
第三章 基于粗糙集的综合推理技术 | 第46-64页 |
·粗糙集基本理论 | 第46-49页 |
·粗糙集基本概念 | 第46-48页 |
·与其它不确定理论的关系 | 第48-49页 |
·决策表达逻辑 | 第49-52页 |
·知识的简化 | 第49页 |
·决策逻辑 | 第49-51页 |
·决策表的简化 | 第51-52页 |
·综合推理技术及应用 | 第52-63页 |
·粗糙集在 CBR中的实际应用 | 第53-56页 |
·综合推理技术的融合方式 | 第56-60页 |
·综合推理技术应用—案例智能决策支持系统 | 第60-63页 |
·本章小结 | 第63-64页 |
第四章 基于前馈神经网络的案例检索 | 第64-81页 |
·案例索引与检索技术 | 第64-66页 |
·案例索引 | 第64-65页 |
·案例检索 | 第65-66页 |
·前馈神经网络模型 | 第66-68页 |
·多层前馈神经网络 | 第66-67页 |
·径向基网络 | 第67-68页 |
·前馈神经网络的学习算法 | 第68-76页 |
·BP算法 | 第68-72页 |
·模拟退火算法 | 第72-73页 |
·径向基函数算法 | 第73-76页 |
·基于 RBF网络的案例检索模型 | 第76-80页 |
·神经元模型 | 第76-77页 |
·检索结构 | 第77-79页 |
·实验 | 第79-80页 |
·本章小结 | 第80-81页 |
第五章 基于构造性神经网络的案例智能系统 | 第81-98页 |
·FP及覆盖算法 | 第81-88页 |
·构造性神经网络 | 第81-82页 |
·FP算法 | 第82-85页 |
·M-P神经元的几何意义 | 第85-87页 |
·覆盖算法 | 第87-88页 |
·SVM及其学习算法 | 第88-93页 |
·统计机器学习理论 | 第88-89页 |
·支持向量机 | 第89-93页 |
·基于前馈神经网络的案例智能系统 | 第93-97页 |
·集成系统的结构模型 | 第93-95页 |
·试验与分析 | 第95-97页 |
·本章小结 | 第97-98页 |
第六章 案例知识库维护技术的相关研究 | 第98-111页 |
·案例知识库维护 | 第98-102页 |
·案例库维护架构 | 第98-99页 |
·案例库维护方法 | 第99-102页 |
·基于相似粗糙集技术的案例知识库维护 | 第102-106页 |
·基本理论与算法 | 第103-104页 |
·案例库维护过程 | 第104-106页 |
·基于交叉覆盖算法的案例知识库维护 | 第106-110页 |
·交叉覆盖算法 | 第106-108页 |
·试验过程分析 | 第108-110页 |
·本章小结 | 第110-111页 |
第七章 总结与展望 | 第111-114页 |
·本文的主要贡献与创新点 | 第111-112页 |
·进一步的研究 | 第112-114页 |
参考文献 | 第114-121页 |
攻读博士学位期间从事的科研工作及发表的论文 | 第121-122页 |