| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-19页 |
| ·粗糙集和模糊粗糙集 | 第10-15页 |
| ·粗糙集 | 第10-11页 |
| ·模糊相似关系和模糊逻辑算子 | 第11-13页 |
| ·模糊粗糙集 | 第13-14页 |
| ·不明确量化粗糙集 | 第14-15页 |
| ·模糊粗糙近邻算法 | 第15-16页 |
| ·模糊神经网络 | 第16-17页 |
| ·本文研究的主要内容 | 第17-19页 |
| 2 基于核函数的模糊粗糙近邻算法 | 第19-31页 |
| ·研究背景 | 第19-21页 |
| ·统计学上的核函数的类别 | 第19-20页 |
| ·核方法化的模糊粗糙近邻算法 | 第20-21页 |
| ·基于核函数的模糊粗糙集 | 第21-22页 |
| ·基于核函数的模糊粗糙近邻算法 | 第22-23页 |
| ·实验数据 | 第23-25页 |
| ·实验结果 | 第25-30页 |
| ·实验设置 | 第25-26页 |
| ·实验比较结果 | 第26-30页 |
| ·本章总结 | 第30-31页 |
| 3 模糊粗糙近邻算法研究及等价的基于模糊相似关系的近邻算法 | 第31-43页 |
| ·对FRNN和VQNN的理论分析 | 第31-35页 |
| ·基于相似度的近邻分类算法 | 第35-38页 |
| ·相似度近邻算法 | 第35-37页 |
| ·相似度和近邻算法 | 第37-38页 |
| ·数值实验 | 第38-42页 |
| ·实验设置 | 第38-39页 |
| ·第一部分：与等价的模糊粗糙近邻算法的比较 | 第39-40页 |
| ·第二部分：与其他模糊近邻算法的比较 | 第40-42页 |
| ·本章总结 | 第42-43页 |
| 4 通用的基于模糊相似关系的近邻算法 | 第43-54页 |
| ·通用的基于模糊相似关系的分类结构 | 第43-45页 |
| ·通用的基于模糊相似关系的近邻算法 | 第43页 |
| ·GSNN算法的性质 | 第43-45页 |
| ·GSNN和FRNN/VQNN之间的关系 | 第45页 |
| ·数值实验 | 第45-52页 |
| ·实验设置 | 第46页 |
| ·第一部分：近邻样本数的影响 | 第46-47页 |
| ·第二部分：与常用的分类算法比较——使用不同的整合方法 | 第47-50页 |
| ·第三部分：与常用的分类算法比较——使用不同的模糊相似关系 | 第50-52页 |
| ·本章总结 | 第52-54页 |
| 5 模糊神经网络研究一：进化模糊极端学习机 | 第54-63页 |
| ·进化极端学习机 | 第54-56页 |
| ·极端学习机 | 第54页 |
| ·差分进化算法 | 第54-55页 |
| ·进化极端学习机：DE和ELM的结合 | 第55-56页 |
| ·进化模糊极端学习机 | 第56-59页 |
| ·SLFN与零阶TSK模糊推理系统 | 第56-58页 |
| ·E-FELM | 第58-59页 |
| ·数值实验 | 第59-62页 |
| ·实验数据 | 第59页 |
| ·实验设置 | 第59页 |
| ·结果评价 | 第59-62页 |
| ·本章总结 | 第62-63页 |
| 6 模糊神经网络研究二：局部耦合前向神经网络收敛性研究 | 第63-90页 |
| ·局部耦合前向神经网络 | 第63页 |
| ·网络结构 | 第63-64页 |
| ·改进的梯度学习算法训练LCFNN网络 | 第64-68页 |
| ·预备知识 | 第64-66页 |
| ·算法过程 | 第66-68页 |
| ·收敛性定理 | 第68-69页 |
| ·数值试验 | 第69-73页 |
| ·定理证明 | 第73-88页 |
| ·本章总结 | 第88-90页 |
| 结论和展望 | 第90-92页 |
| 参考文献 | 第92-96页 |
| 创新点摘要 | 第96-97页 |
| 攻读博士学位期间发表学术论文情况 | 第97-98页 |
| 致谢 | 第98-99页 |
| 作者简介 | 第99-100页 |
