基于模糊信息的應(yīng)用技術(shù)研究

第1章 引論 1.1 研究背景 1.2 基于模糊信息的智能技術(shù)研究現(xiàn)狀 1.3 智能技術(shù)在中醫(yī)癥狀鑒別領(lǐng)域的研究現(xiàn)狀 1.4 主要研究內(nèi)容第2章 支持向量機的基本理論 2.1 最大間隔超平面 2.2 支持向量機分類算法 2.2.1 線性可分情況 2.2.2 廣義線性可分情況 2.2.3 非線性可分情況 2.3 支持向量機回歸理論 2.4 統(tǒng)計學(xué)習(xí)理論的核心內(nèi)容 2.5 小結(jié)第3章 基于Fuzzy理論的支持向量機 3.1 預(yù)備知識 3.1.1 模糊機會約束規(guī)劃 3.1.2 分類問題中的模糊信息表示方法 3.2 模糊分類的支持向量機 3.3 模糊線性可分類的支持向量機 3.4 含有模糊信息的廣義線性可分情況 3.5 含有模糊信息的非線性可分情況 3.6 閾值的確定 3.7 實驗分析 3.8 小結(jié)第4章 支持向量機應(yīng)用研究 4.1 支持向量機實現(xiàn)算法研究 4.2 最小二乘支持向量機參數(shù)的遺傳算法研究 4.2.1 最小二乘支持向量機 4.2.2 LS-SVM參數(shù)的遺傳算法研究 4.2.3 控制圖模式數(shù)據(jù)描述 4.2.4 模式分類方案設(shè)計 4.2.5 實驗分析 4.3 支持向量機在燒結(jié)礦化學(xué)成分預(yù)測中的應(yīng)用 4.3.1 智能技術(shù)在對燒結(jié)礦成分進行預(yù)測領(lǐng)域的研究現(xiàn)狀 4.3.2 燒結(jié)工藝特點與預(yù)測系統(tǒng)的配置結(jié)構(gòu) 4.3.3 數(shù)據(jù)的標(biāo)準(zhǔn)化處理 4.3.4 非線性回歸估計算法 4.3.5 實驗分析 4.4 核心設(shè)計源代碼 4.5 小結(jié)第5章 改進的最短距離聚類算法 5.1 聚類算法 5.2 鄰近聚類算法 5.2.1 概念及定義 5.2.2 基于距離的搜索算法 5.2.3 基于閾值的鄰近聚類算法 5.2.4 近鄰聚類算法 5.3 多重聚類算法 5.4 實驗分析 5.5 小結(jié)第6章 仿生計算與基因表達(dá)式編程 6.1 仿生計算 6.2 基因表達(dá)式編程 6.3 初始種群基因設(shè)計 6.3.1 初始種群產(chǎn)生方式 6.3.2 基因空間均勻產(chǎn)生方案 6.4 實驗分析 6.5 小結(jié)第7章 中醫(yī)癥狀鑒別智能診斷系統(tǒng) 7.1 中醫(yī)癥狀鑒別智能診斷系統(tǒng)現(xiàn)狀 7.2 系統(tǒng)設(shè)計 7.2.1 系統(tǒng)特色 7.2.2 方劑知識挖掘子系統(tǒng)的結(jié)構(gòu) 7.2.3 方劑知識挖掘子系統(tǒng)的功能 7.3 系統(tǒng)的實現(xiàn) 7.3.1 數(shù)據(jù)庫設(shè)計 7.3.2 方劑數(shù)據(jù)挖掘?qū)嵤┻^程 7.4 數(shù)據(jù)輸入與預(yù)處理 7.4.1 過濾噪聲數(shù)據(jù) 7.4.2 藥名、癥狀、功效規(guī)范化 7.4.3 劑量單位規(guī)范化 7.5 個方分析 7.5.1 挖掘性、味、歸經(jīng) 7.5.2 挖掘功效 7.5.3 證癥挖掘 7.5.4 類方分析 7.6 臨床癥狀鑒別診斷子系統(tǒng)主要功能 7.7 核心設(shè)計源代碼 7.8 小結(jié)第8章 圖像分割與影像快速融合 8.1 基于小波域多尺度Markov網(wǎng)模型的圖像分割方法 8.1.1 背景技術(shù) 8.1.2 過程描述 8.1.3 技術(shù)上的創(chuàng)新 8.1.4 附圖說明 8.1.5 具體實施過程 8.2 結(jié)合MRF和神經(jīng)網(wǎng)絡(luò)的多尺度彩色紋理圖像分割方法 8.2.1 技術(shù)背景 8.2.2 過程描述 8.2.3 技術(shù)上的創(chuàng)新 8.2.4 附圖說明 8.2.5 具體實施過程 8.3 基于三層FCM聚類的小波域多尺度非監(jiān)督紋理分割算法 8.3.1 背景技術(shù) 8.3.2 過程描述 8.3.3 技術(shù)上的創(chuàng)新 8.3.4 附圖說明 8.3.5 具體實施過程 8.4 遙感影像快速融合系統(tǒng)及實現(xiàn)方法 8.4.1 背景技術(shù) 8.4.2 技術(shù)創(chuàng)新與過程描述 8.4.3 附圖說明 8.4.4 具體實施過程 8.5 基于圖像處理的甲骨碎片綴合方法 8.5.1 背景技術(shù) 8.5.2 過程描述 8.5.3 附圖說明 8.5.4 具體實施過程第9章 安全設(shè)計與信息檢索優(yōu)化方法 9.1 無證書盲環(huán)簽名方法 9.1.1 背景技術(shù) 9.1.2 過程描述 9.1.3 技術(shù)上的創(chuàng)新 9.1.4 附圖說明 9.1.5 具體實施過程 9.2 基于身份的門限環(huán)簽名方法 9.2.1 背景技術(shù) 9.2.2 過程描述 9.2.3 技術(shù)上的創(chuàng)新 9.2.4 附圖說明 9.2.5 具體實施過程 9.3 標(biāo)準(zhǔn)模型下基于身份的門限環(huán)簽密方法 9.3.1 背景技術(shù) 9.3.2 過程描述 9.3.3 技術(shù)上的創(chuàng)新 9.3.4 附圖說明 9.3.5 具體實施過程 9.4 基于領(lǐng)域本體的信息檢索優(yōu)化方法 9.4.1 背景技術(shù) 9.4.2 過程描述 9.4.3 技術(shù)上的創(chuàng)新 9.4.4 附圖說明 9.4.5 具體實施過程 9.5 基于語義匹配驅(qū)動的自然語言知識獲取方法 9.5.1 背景技術(shù) 9.5.2 過程描述 9.5.3 技術(shù)上的創(chuàng)新 9.5.4 附圖說明 9.5.5 具體實施過程 9.6 基于雙子的自適應(yīng)雙子和聲優(yōu)化方法(SGHS) 9.6.1 背景技術(shù) 9.6.2 過程描述 9.6.3 技術(shù)上的創(chuàng)新 9.6.4 附圖說明 9.6.5 具體實施過程第10章 優(yōu)化設(shè)計與決策支持 10.1 多專家動態(tài)協(xié)調(diào)評判方法 10.1.1 背景技術(shù) 10.1.2 過程描述 10.1.3 技術(shù)上的創(chuàng)新 10.1.4 附圖表說明 10.1.5 具體實施過程 10.2 一種錯字字形編輯、編碼和輸入方法及系統(tǒng) 10.2.1 背景技術(shù) 10.2.2 過程描述 10.2.3 技術(shù)上的創(chuàng)新 10.2.4 附圖說明 10.2.5 具體實施過程 10.3 基于視覺信息的機器人沿引導(dǎo)線巡線導(dǎo)航方法 10.3.1 背景技術(shù) 10.3.2 過程描述 10.3.3 技術(shù)上的創(chuàng)新 10.3.4 附圖說明 10.3.5 具體實施過程 10.4 海洋平臺非線性系統(tǒng)半主動最優(yōu)振動控制方法 10.4.1 背景技術(shù) 10.4.2 過程描述 10.4.3 技術(shù)上的創(chuàng)新 10.4.4 附圖說明 10.4.5 具體實施過程 10.5 基于灰色殘差修正支持向量機模型的燒結(jié)礦轉(zhuǎn)鼓強度預(yù)測方法 10.5.1 背景技術(shù) 10.5.2 過程描述 10.5.3 技術(shù)上的創(chuàng)新 10.5.4 附圖表說明 10.5.5 具體實施過程第11章 智能控制技術(shù) 11.1 連續(xù)攪拌反應(yīng)釜的自適應(yīng)模糊動態(tài)面控制裝置和控制方法 11.1.1 背景技術(shù) 11.1.2 過程描述 11.1.3 技術(shù)上的創(chuàng)新 11.1.4 附圖說明 11.1.5 具體實施過程 11.2 平板式靜電微執(zhí)行器的新型控制裝置和控制方法 11.2.1 背景技術(shù) 11.2.2 過程描述 11.2.3 技術(shù)上的創(chuàng)新 11.2.4 附圖說明 11.2.5 具體實施過程第12章 第四方物流多屬性指派決策機制 12.1 帶有整合的第四方物流多屬性指派決策機制 12.1.1 集成定義 12.1.2 確定整合下的隨機解、正理想解和負(fù)理想解 12.1.3 基于TOPSIS法的帶有整合的決策模型 12.1.4 遺傳算法實現(xiàn) 12.1.5 算例求解及分析 12.1.6 小結(jié) 12.2 無整合的第四方物流多屬性指派決策機制 12.2.1 問題描述和屬性體系分析 12.2.2 基于TOPSIS法的指派決策模型 12.2.3 遺傳算法實現(xiàn) 12.2.4 算例求解及分析 12.2.5 小結(jié) 12.3 基于客戶滿意度的第四方物流多屬性指派決策機制 12.3.1 客戶滿意度屬性體系 12.3.2 建立模型 12.3.3 計算實例 12.3.4 小結(jié)參考文獻后記