自适应自组织映射网络在模式识别中的应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-13页 |
| ·研究背景 | 第8-11页 |
| ·作者所做工作及本文内容安排 | 第11-13页 |
| ·作者所做工作 | 第11-12页 |
| ·本文内容安排 | 第12-13页 |
| 第二章 国内外相关技术发展综述 | 第13-25页 |
| ·人工智能发展综述 | 第13-16页 |
| ·人工智能的起源 | 第13页 |
| ·人工智能的发展过程 | 第13-14页 |
| ·人工智能的研究领域 | 第14-16页 |
| ·神经网络发展综述 | 第16-17页 |
| ·数据挖掘技术发展综述 | 第17-18页 |
| ·相关计算机处理技术发展现状 | 第18-25页 |
| ·数据库技术 | 第18-23页 |
| ·面向对象程序设计 | 第23-25页 |
| 第三章 数据挖掘技术分析 | 第25-36页 |
| ·数据挖掘的定义与工作流程 | 第25-27页 |
| ·数据挖掘的常用算法 | 第27-30页 |
| ·数据挖掘的任务及其实现工具 | 第30-31页 |
| ·数据挖掘的应用 | 第31-32页 |
| ·数据挖掘中的人工神经网络的数学模型 | 第32-36页 |
| ·神经网络的定义与DM 中的常用模型 | 第32页 |
| ·神经网络的数学模型 | 第32-36页 |
| 第四章 基于自组织映射神经网络的数据挖掘技术研究 | 第36-48页 |
| ·标准SOM 算法进行模式识别 | 第36-40页 |
| ·训练SOM 网络 | 第37-39页 |
| ·用 SOM 网络进行模式识别 | 第39-40页 |
| ·标准SOM 网络模型的缺点 | 第40-41页 |
| ·对SOM 算法的改进与效果分析 | 第41-48页 |
| ·SOM 算法的改进GHSOM | 第41-43页 |
| ·SOM 算法的改进GSOM | 第43-46页 |
| ·改进效果对比与分析 | 第46-48页 |
| 第五章 数据挖掘系统设计与实现 | 第48-67页 |
| ·SDM 总体设计 | 第48-52页 |
| ·设计思想 | 第49-50页 |
| ·体系结构 | 第50-52页 |
| ·模式识别模块设计与实现 | 第52-56页 |
| ·技术难点与重点 | 第56-63页 |
| ·网格数据的分布式特征提取 | 第56-60页 |
| ·海量数据动态存取 | 第60-62页 |
| ·神经网络的规则提取 | 第62-63页 |
| ·数据挖掘中的并行算法 | 第63页 |
| ·使用SDM 进行数据挖掘的实例分析 | 第63-67页 |
| ·适合使用SDM 的挖掘任务分析 | 第63-64页 |
| ·挖掘实例介绍与结果分析 | 第64-67页 |
| 第六章 总结与展望 | 第67-70页 |
| ·总结 | 第67-68页 |
| ·展望 | 第68-70页 |
| 参考文献 | 第70-72页 |
| 致谢 | 第72-73页 |
| 个人简历 | 第73页 |
