粗糙集理论及其在神经网络中的应用研究
摘要 | 第1-3页 |
Abstract | 第3-4页 |
目录 | 第4-7页 |
第一章 绪论 | 第7-16页 |
·研究领域介绍 | 第7-11页 |
·粗糙集(RS)简介 | 第7-8页 |
·粗糙集理论的特点 | 第8-9页 |
·粗糙集理论的研究方向 | 第9-10页 |
·粗糙集应用软件 | 第10-11页 |
·本文的研究方向 | 第11-14页 |
·信息决策表的约简 | 第11页 |
·粗糙集连续属性的离散化 | 第11-12页 |
·粗糙集扩展模型 | 第12页 |
·粗糙集结合神经网络的研究 | 第12-14页 |
·论文的研究结构概述 | 第14-16页 |
第二章 粗糙集基本概念和理论 | 第16-25页 |
·引言 | 第16页 |
·粗糙集的基本概念 | 第16-19页 |
·近似空间与不可区分关系 | 第16页 |
·知识与知识库的定义 | 第16-17页 |
·粗糙集的定义 | 第17-18页 |
·粗糙集的特征 | 第18-19页 |
·粗糙集的约简与核 | 第19-21页 |
·一般约简与一般核 | 第19页 |
·相对约简和相对核 | 第19-20页 |
·最优约简 | 第20-21页 |
·知识的依赖性 | 第21页 |
·信息系统与决策表 | 第21-22页 |
·决策表的信息熵 | 第22-24页 |
·知识的分布概率 | 第23页 |
·粗糙集的信息熵和互信息 | 第23-24页 |
·本章小结 | 第24-25页 |
第三章 粗糙集若干问题的研究 | 第25-43页 |
·引言 | 第25页 |
·信息系统的知识约简 | 第25-31页 |
·基于区分矩阵的属性约简 | 第26-27页 |
·基于信息熵计算的启发式属性约简算法 | 第27-31页 |
·信息系统连续属性的离散化 | 第31-42页 |
·属性离散化主要方法 | 第31-33页 |
·基于区分矩阵的连续属性离散化 | 第33-36页 |
·NS的启发式贪心算法 | 第36-37页 |
·现有的贪心算法改进方法 | 第37-39页 |
·基于互信息的贪心算法改进方法 | 第39-42页 |
·本章小结 | 第42-43页 |
第四章 粗糙集的扩展模型 | 第43-55页 |
·引言 | 第43页 |
·模糊粗糙集模型 | 第43-49页 |
·模糊集和粗糙集的比较 | 第43-44页 |
·模糊粗糙集的基本概念 | 第44-46页 |
·模糊粗糙集的属性约简 | 第46-49页 |
·模糊粗糙集的应用 | 第49页 |
·变精度粗糙集模型 | 第49-54页 |
·变精度粗糙集的基本概念 | 第49-51页 |
·变精度粗糙集的刀近似约简 | 第51-53页 |
·变精度粗糙集的应用 | 第53-54页 |
·本章小结 | 第54-55页 |
第五章 粗糙集与神经网络相结合 | 第55-65页 |
·引言 | 第55页 |
·BP神经网络 | 第55-59页 |
·BP网络结构 | 第56-57页 |
·BP算法 | 第57-59页 |
·BP网络学习算法的改进 | 第59页 |
·基于粗糙集的神经网络 | 第59-64页 |
·粗糙集与神经网络结合的研究现状 | 第61页 |
·粗糙集与神经网络结合的主要方式 | 第61-64页 |
·本章小结 | 第64-65页 |
第六章 基于粗糙集的神经网络的应用 | 第65-91页 |
·引言 | 第65页 |
·基于粗糙集理论的神经网络控制器 | 第65-75页 |
·基于粗糙集的神经网络控制器设计方法 | 第66-67页 |
·基于粗糙集的神经网络控制器实例仿真 | 第67-74页 |
·基于粗糙集的神经网络控制器设计的总结 | 第74-75页 |
·基于粗糙集理论的神经网络模式识别问题 | 第75-82页 |
·基于粗糙集理论的神经网络模式识别方法 | 第75-77页 |
·基于粗糙集的神经网络模式识别实例仿真 | 第77-82页 |
·基于粗糙集理论的神经网络模式识别问题的总结 | 第82页 |
·基于变精度粗糙集理论的模糊神经网络建模方法 | 第82-90页 |
·变精度粗糙集模糊神经网络建模方法 | 第83-86页 |
·变精度粗糙集模糊神经网络建模方法的实例仿真 | 第86-89页 |
·基于变精度粗糙集理论的模糊神经网络建模的总结 | 第89-90页 |
·本章小结 | 第90-91页 |
第七章 结束语 | 第91-93页 |
·论文总结 | 第91-92页 |
·进一步工作与展望 | 第92-93页 |
附录 | 第93-94页 |
参考文献 | 第94-98页 |
作者攻读硕士学位期间发表的论文 | 第98-99页 |
致谢 | 第99页 |