一、基于粗糙集的交叉覆盖算法（论文文献综述）
伊雯雯,王喜[1]（2019）在《基于机器学习的舰船系统交叉覆盖数据分类方法》文中研究指明传统的舰船系统交叉覆盖数据分类方法存在着分类性能差的缺陷,为此提出基于机器学习的舰船系统交叉覆盖数据分类方法研究。采用随机森林算法对交叉覆盖数据的不相关特征属性进行剔除,得到有价值的交叉覆盖数据集合,利用领域粗糙集算法对有价值交叉覆盖数据集合的特征进行提取,以特征集合为依据,采用机器学习算法实现了舰船系统交叉覆盖数据的分类。通过实验得到,提出的舰船系统交叉覆盖数据分类方法的分类精度比传统方法高出30%,迭代次数比传统方法少了9次,说明提出的舰船系统交叉覆盖数据分类方法具备更好的分类性能。
宣国庆[2]（2011）在《基于神经网络交叉覆盖算法的学生成绩预测》文中认为随着信息技术的发展,探索新的学习方式、教学方法以及建设数字化的校园是教师义不容辞的责任。合理、恰当、有效地运用信息技术,解决常规教学中的一些问题,是所有老师面对的问题。目前中小学里应用比较多的是对学生成绩的分析,但这个分析仅仅是对录入成绩的查询和一些常规统计,如求平均分、及格率、优秀率、最高分等。这些分析只是某一次考试的当前情况的体现,却无法发现数据中存在的关系和规则,无法根据现有的各项数据预测学生成绩以及学生今后发展趋势。作为学校,学生成绩评估是评价教学质量的重要依据,如果能从现有的成绩和学生的其他相关信息里找出对成绩影响较大的因素,并能对学生的发展做出一定的预测,这对改进学生的培养方式和加强学校的教学质量都会有很大的帮助。传统的将数据挖掘应用到教育教学上的方法是应用决策树方法来分析学生的成绩,从而找出影响学生发展的因素及各因素间的关系,但这种方法可能更适合高等院校。本文主要利用交叉覆盖算法,通过实验找出对初中生学习影响较大的因素。交叉覆盖算法是利用了M-P神经元模型的几何意义得到的一种领域覆盖的算法,它在一定意义上考虑到了网络结构的优化问题,可以使得产生的神经网络的规模较小,而且方法实用、可行,解决了多年以来一直未能很好解决的前向网络设计问题。笔者一直从事中学教育工作近十年,在教务部门工作也有七年,每次期中期末考试后都要进行成绩分析,其目的就是想办法提高教育教学质量。在研究生学习期间看了大量的相关领域文章,尝试将交叉覆盖算法应用到学生成绩预测上,在实验中得到较好预测结果。同时本文通过对比交叉覆盖算法和标准BP算法的实验结果,得出在成绩预测这一方面,交叉覆盖算法的网络学习更快,准确率更高的结论。纵观全文,笔者将把神经网络交叉覆盖算法应用到学生成绩和综合素质的分析研究中,从而找到提高教育教学质量的关键因素。本文主要从以下几个方面进行了详细的研究：1、阅读相关领域论文,对当前国内外数据挖掘的研究现状做了全面了解。2、理解数据挖掘技术的基本概念,掌握数据挖掘技术的研究方法,熟悉目前数据挖掘技术在各行业的应用,学习数据挖掘的神经网络算法,找出对适合问题求解的算法。3.收集初三毕业班学生相关信息及考试成绩,并对学生的成绩数据库进行分析,从而发现目前在学校里使用的成绩评估的不足,找到与学生成绩关联最大的因素,为教师的教学行为提出供科学依据,为教学部门的决策提供支持信息。4.结合实际需求,分析学生的学习成绩数据库,收集相关数据并进行清理,特别对学生综合素质评价数据进行处理,应用交叉覆盖算法对学生成绩分析,并进行成绩预测。5.阐明交叉覆盖算法在中学教育教学管理系统中数据挖掘技术的具体实现及应用。
张燕平,刘超,曲永花[3]（2012）在《WCBVSM与SACA结合的文本分类模型》文中研究指明给出了一个词共现改进的向量空间模型（Word Co-Occurrence Mode Based On VSM,WCBVSM）与模拟退火交叉覆盖算法（Cross Cover Algorithm Based On Simulated Annealing Algorithm,SACA）相结合的文本分类新模型。传统的向量空间模型（VSM）采用词条作为文档的语义载体,没有考虑文本上下文词语之间的语义隐含信息,在词共现模型的启发下,提出WCBVSM,它通过统计文本中的词共现信息,加入VSM,以获得文档隐含的语义信息。针对交叉覆盖算法中识别精度与泛化能力之间的一对矛盾,结合模拟退火算法的思想,提出了SACA,改进了传统交叉覆盖在覆盖初始点选取时的随机性,并通过增加每个覆盖所包含的样本点来减少覆盖数,从而增强了覆盖的泛化能力。实验结果表明提出的文本分类新模型在加快识别速度的基础上,提高了分类的精度。
刘超[4]（2011）在《基于主题挖掘和覆盖的文本分类研究》文中提出文本中含有大量对分类有贡献的信息,能否综合利用这些信息选取一种合理的文本表示方式,是文本分类的难点和关键。单纯的使用传统的向量空间模型VSM（Vector Space Model）表示文本,由于其是基于统计得到的,缺乏文本语义即主题上的信息。本文通过对词共现原理进行研究,在文本语料中提取文本的词共现信息,将词共现得到的关键词词对组合成短语,以组合后的短语作为文本的主题特征并赋予一定的权重与原始文本语料的基本特征进行合并,得到了基于词共现改进的向量空间模型即Word Co-Occurrence Mode Based On VSM, WCBVSM,能够更好的挖掘出文本的主题信息。由张铃教授和张钹院士提出的构造性学习方法,它利用球形映射将神经元变换成为对有限空间划分的分类器,正是这种方法将神经网络长期未解决的学习问题转换成覆盖问题进行求解,同时大大降低了问题描述的复杂性。本文提出了将交叉覆盖算法和模拟退火理论相结合的基于模拟退火的交叉覆盖覆盖算法（Cross Cover Algorithm Based On Simulated Annealing Algorithm, SACCA）。改进了传统交叉覆盖在覆盖初始点选取时的随机性,并通过增加每个覆盖所包含的样本点来减少覆盖数,从而增强了覆盖的泛化能力。在对传统算法进行了改进之后,本文给出了一种基于WCBVSM和SACCA相结合的文本分类新模型,实验结果表明提出的文本分类新模型在加快识别速度的基础上,提高了分类的精度。纵观全文,主要工作如下：1.介绍了文本分类和覆盖算法的研究背景和意义。主要简述了文本分类的一些相关技术,如预处理,特征选择等；分类算法的几种经典算法,并加以分析了它们的优缺点。2.通过对传统的词共现模型进行研究得到扩展的词共现模型,并据此提出了基于词共现的文本主题挖掘方法WCBVSM。3.对目前分类效果较好的机器学习算法——覆盖算法进行了研究,说明了它的基本思想、构造算法并对传统覆盖算法的特点进行了理论分析。针对不确定海量信息数据分类识别时识别率与泛化能力这一对矛盾,结合模拟退火算法提出了基于模拟退火的交叉覆盖算法SACCA并取得了很好的实验效果。4.提出了主题挖掘和基于模拟退火的交叉覆盖算法相结合的文本分类新模型,并实现了系统：给出了系统设计结构图,系统实现的关键技术和方法,并对系统进行了测试。
朱宇[5]（2010）在《构造性神经网络在瓦斯时间序列预测中的应用》文中提出近年来数据挖掘得到了快速的应用,但是面临海量、高维、不精确或动态的瓦斯数据时,利用传统的数据挖掘方法从数据中不能快速有效地获取知识。而粒计算和构造性神经网络在处理不完备、模糊、复杂、高维、海量数据时,有着自身独有的特点及优势,将粒计算理论和构造性神经网络学习方法应用到瓦斯数据挖掘中,本文主要在以下几个方面做了相应的工作:（1）针对高维海量数据挖掘所面临的问题,分析了粒计算的特点,综述了粒计算在数据挖掘各个领域的应用,包括粒计算在广义知识挖掘、分类、聚类、关联规则与其它类型知识挖掘中的应用,并总结了粒计算在数据挖掘方面应用的优势。（2）针对传统神经网络在解决大规模问题时有极大困难的缺点,分析构造性神经网络在这方面的优势,重点讨论常用覆盖算法,针对常用覆盖算法是所有训练样本都是精确的,未考虑到所讨论的数据具有不精确的情况,本文提出一种改进的覆盖算法,并将该覆盖算法与时间序列结合,应用到煤矿瓦斯预测中。（3）建立了瓦斯预测模型,该模型在商空间粒度理论框架下,用构造性神经网络学习方法进行瓦斯浓度预测。采用商空间粒度计算理论,对问题进行宏观分析,研究不同粒度商空间之间的转换、运动、依存的关系,并对数据库中的原始特征信息进行粒度构建,采用多种粒度,从不同的层次分析复杂的瓦斯数据信息使得学习样本的特征更加明显,以更好地满足机器学习的要求。构造性神经网络学习方法则可以从微观上对具有不同粒度结构的商空间进行数据挖掘。最后将该方法应用于瓦斯浓度预测,取得了较好的结果。这表明了基于商空间的构造性神经网络学习方法的可行性和良好的应用前景。
段霄鹏[6]（2010）在《基于商空间的煤矿瓦斯数据挖掘研究》文中研究表明数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。目前对于数据挖掘技术的研究越来越多,并且已在多个领域中应用,其应用范围涉及银行、电信、保险、交通等诸多领域。分类和预测是数据挖掘领域中两种重要的数据分析形式,可以用于提取描述重要数据类的模型或预测未来的数据趋势。本文将分类和预测等数据挖掘方法应用于瓦斯浓度的预测,是对煤矿瓦斯数据挖掘的应用和研究。预测瓦斯浓度的变化对煤矿安全生产有着重要的意义。为了更加有效地进行瓦斯数据挖掘,本文引入了商空间粒度计算理论、灰色模型、覆盖算法等。商空间理论模型是由张铃、张钹教授提出的,该理论使用粒度的观点来分析描述世界,从不同粒度层次对事物进行分析使认识更加全面合理,而且可以降低问题的计算复杂性。灰色系统预测模型是通过时序数据累加生成的模块建立起来的,滤去原始序列中可能混入的随机量,从上下波动的时间序列中寻找某种隐含的规律性,得到随机性弱化而规律性强化了的新数列,挖掘出原始序列的内在特征。而覆盖算法（构造性机器学习方法）,其主要特点是对给定的具体的数据处理过程中,同时给出网络的结构和参数。即所得到的结构是在处理数据过程中逐步构造的,而不是在学习之前事先给定的。本文的主要工作:（1）概述了粒度计算理论的发展和基本模型,着重介绍了商空间粒度计算理论框架及构造性机器学习算法。（2）研究了瓦斯数据挖掘的几种主要模型的原理和实现,本文重点研究了针对趋势浓度和特征浓度的不同组合模型。（3）针对当前预测模型的不足,采用了一种新的瓦斯数据挖掘组合模型,即首先采用张铃教授提出商空间粒度计算模型对瓦斯特征浓度进行分层次的多粒度分析,构造瓦斯浓度预测的商空间模型,利用商空间理论中的性质及定义,对分层后不同粒度的复杂瓦斯特征时间序列进行集成,使瓦斯数据的特征更为明确,以便更好地进行机器学习。对于瓦斯趋势浓度的预测,文中采用的是灰色模型GM（1,1）,而由特征因子引起的特征浓度的预测则是构造性机器学习方法（覆盖算法）,通过二者的结合能够提高瓦斯浓度预测准确率。（4）通过对山西省某煤矿瓦斯数据进行预测试验,可以分析出本文提出的基于灰色-覆盖算法的组合模型具有更好的预测效果。
李永顺[7]（2010）在《软计算融合算法及其在Captcha识别方面的应用研究》文中进行了进一步梳理软计算方法是一类方法的集合体,主要包括模糊计算、神经计算、进化计算等,这类方法的共同特点是能够容忍不确定、不精确和部分失真的数据,使用线性代替非线性,使用有限代替无限,当无法或者很难求得问题的最优解时,退而求其次,求其次优解。软计算方法建立的模型更接近客观事物本身,更贴近人类的思维模式。软计算方法体之间是相互协作的,而不是互相排斥的,研究软计算方法的融合,可以使它们优势互补,发挥更大的性能。构造性神经网络学习算法-覆盖算法,在构造隐层分类器的过程中,采用随机的方法选择圆心样本,导致构造出的覆盖分类器分类能力不稳定。本文融合遗传算法和神经网络,在构造覆盖分类器的过程中引入竞争的概念,利用佳点集遗传算法对覆盖集合进行搜索,淘汰不好的覆盖,存留较优的覆盖,算法明显减少了覆盖分类器个数和拒识样本个数,对比试验表明,算法具有很好的鲁棒性、识别率和泛化能力。针对在处理有噪音、模糊、不确定的数据时,覆盖算法产生的分类器的分类能力受到较大的影响的问题,本文融合粗糙集与神经网络,提出了覆盖熵的概念,并找到了一种表示分类能力的方法,在确保分类器的分类能力不降低的条件下,以决策属性相对于分类器的条件信息熵为条件,对一组覆盖中信息熵最大的覆盖进行约简,减少分类器的不确定因素。对比试验表明,算法具有很好的识别精度和泛化能力以及处理模糊、不确定数据的能力。Captcha是用来区分计算机与人类的一种程序,图像验证码是一种典型的Captcha,本文对图像验证码的发展历程进行了总结,比较了几种目前最常见验证码的特点和设计思路,提出了对一般验证码的破解方法,并设计实现了提取验证码数据的图片信息提取系统。覆盖算法和支持向量机是两种重要的机器学习分类方法,但长期以来一直缺少基于覆盖算法的通用分类器,在一定程度上阻碍了覆盖算法的推广,论文设计实现了通用的覆盖分类器JCover,并把软计算融合算法嵌入JCover,用于识别图像验证码,实验证明,识别效果良好。
李建洋,倪志伟,郑金彬,谢秀珍[8]（2010）在《案例知识库维护技术的研究进展》文中提出案例库是CBR系统的主要知识库,但是难以维护,一个主要因素是案例库大,并且是非结构化或半结构化的,用自然语言来表达的.文章针对案例知识库维护中出现的相关复杂问题,分析了各种维护策略的可行性,提出了在不同环境下实施维护的准则,指出了选用合适的方法来实现案例库维护.
李建洋[9]（2009）在《基于粗糙集与前馈网络的案例智能系统的研究》文中认为学习是智能行为的最重要体现，从古希腊人开始，对知识的研究与探索，一直是人类追求的目标。类比是人类重要的认知方法，是一种允许知识在具有相似性质的领域中进行推理的学习策略，是人类直觉、逻辑与创造性三种思维方式的综合表现形式，也是人们经验决策过程中常用的思维方式。案例推理技术作为智能系统一种新的推理方法，是人脑类比学习的计算机实现，也是这一领域研究的先行者和成功的实践者。对案例智能系统的研究，有助于对人类思维的模仿，实现人类智能。从大量数据中获取知识、表达知识以及推理决策规则，是智能信息处理的首要任务，特别是对于实际问题中不确定、不完备知识的处理，粗糙集理论和人工神经网络技术都展示出惊人数据处理的能力。本文围绕实现案例推理循环的主要过程，以粗糙集为主体的综合推理和前馈神经网络的大规模数据处理为基础，研究提高案例推理系统的精度和效率、增强系统的柔性和鲁棒性。本文的主要研究内容如下：（1）案例智能系统的知识表示以案例为基础，案例表示可能是半结构化或非结构化的、甚至用自然语言来表达的；研究案例推理的类比可行性、案例推理的逻辑基础和推理的知识结构，并给出了人类知识推理中的一些困惑；以及实现案例智能，必须要处理好的知识结构等几个方面的问题。构建合适的案例库，如何对它进行组织与维护，对快速、有效地完成案例的检索是十分重要的，对问题求解的性能有直接影响。（2）从知识推理的角度对不确定知识的研究模型及其关系进行分析，详细研究了粗糙集与案例推理相结合的综合推理技术，多方面寻找理论模型融合的技术和方法，从而便于我们从更高的层次理解人类思维及其问题处理方法，从不完备知识中推出本质知识，这对高层决策是至关重要的。从问题求解的实际需要出发，综合推理技术可以充分运用多层次的知识，将多种推理技术集成，采用不同的知识粒度，提高系统推理的效率。最终实现构建统一的、更加有效的、能够处理复杂的和模糊的信息的粒计算的理论平台，从而为案例智能系统的实现提供了可靠的技术基础，并极大地提高了系统的问题处理能力；最后提出了一种案例智能决策支持系统的体系结构。（3）研究了智能知识检索技术，并详细研究了前馈神经网络及其作为案例检索的算法；指出目前仍在广泛使用的BP算法、模拟退火算法及其改进算法，具有难以克服的速度慢、局部极值的缺点。随后对比研究了径向基函数算法，它是根据模式矢量的多维空间距离的非线性影射来识别和分类的，是一个良好的相似性检测器。研究表明RBF网络具有学习速度快、全局收敛等优点；然后建立了基于RBF网络的案例相似检索模型。（4）详细研究构造性神经网络及其算法，将网络的某个性能的优劣作为算法追求的目标之一进行考虑，从全局来考察神经网络的学习过程，研究构造性的网络结构对于解决大规模的问题求解有重要的意义。从M-P神经元的几何意义入手，对比早期的构造性神经网络算法——FP算法，然后推出了覆盖算法。研究表明该技术易于模块化构建具有快速、识别率高等优点，最后给出了基于构造性神经网络的领域覆盖算法的案例智能系统。（5）详细研究了案例知识库维护技术，提出了案例知识库维护的原则。案例推理是增量式学习系统，类似人类的知识积累。案例库维护是CBR知识系统研究的核心，涉及CBR推理的知识表示、适配与改写过程；虽然CBM作为CBR研究的一个重要分支，已经广为研究并开发出来不同的案例库维护策略；但是在不同的环境下，因CBR系统的规模、时效性以及应用领域的特点不同，案例知识库维护手段和维护性能存在较大的差异。针对冗余和不一致案例知识，或者由于领域知识变化的环境，提出了基于相似粗糙集的案例知识库维护技术，基于知识粒度，做到可控阈值的实时监测、实现实时维护。针对实际领域应用中如故障诊断、在线帮助、电子商务等交互式状态下，其案例库的规模很容易达到成千上万条且不可约简的系统性能维护难题，提出了基于覆盖算法的案例知识库维护，系统同时从两方面着手完成案例库维护：一方面用覆盖算法将案例库划分成覆盖领域，实现案例的选择性过滤使用；另一方面应用多层前馈神经网络改进案例匹配，提高检索效率。实验表明该方法可以用来处理海量的高维数据，保证了系统的可用性。
刘慧婷[10]（2008）在《基于经验模态分解及动态数据挖掘的商务数据分析方法研究》文中指出随着计算机技术的发展和普及,企业生成、收集、存储及处理数据的能力大大提高,数据量与日俱增。大量丰富的数据使得传统的数据分析方式陷入了困境,数据挖掘技术应运而生,它是一个新兴的边缘学科,涉及机器学习、模式识别、数据库、统计、人工智能等多门学科。商务数据挖掘是数据挖掘中的一个重要研究方面,目前关于商务数据中的静态数据分析模型已经慢慢变得成熟,但是经验模态分解算法及动态数据挖掘在商务数据分析中的应用研究,仍处在起步阶段。经验模态分解（Empirical Mode Decomposition,EMD）被认为是不同于以傅里叶变换为基础的线性和稳态谱分析方法的一种时频分析方法。本文以基于经验模态分解方法及动态数据挖掘的商务数据分析为目标,研究了经验模态分解方法的基本原理和算法思想;针对其端点效应等不足,提出了新的数据延拓技术;针对EMD算法的精度和速度上的不足,提出了相应的改进措施;并研究了EMD分解、构造性神经网络覆盖算法以及K-means聚类等方法各自独特的特点,以及这些方法与其他理论的结合点,为动态数据挖掘中遇到的一些问题提供新的解决方案,并把它们应用在商务数据的分析中。主要工作包括:1.论述了本论文的研究背景;综述了时频分析方法的发展:介绍了EMD方法及其国内外研究现状,以及动态数据挖掘的研究内容;最后,阐述了本文的研究内容、总体框架和创新之处。2.介绍了基于EMD时频分析方法的一些基本概念;阐述了基于EMD的希尔伯特变换的基本原理和算法;在此基础上,用基于EMD的时频分析方法对仿真信号进行了分析验证,结果表明把该方法引入非线性非平稳序列的分析是理想的。3.介绍了EMD算法端点效应的机理;然后系统地研究了基于神经网络预测的数据序列延拓技术和镜像延拓技术的特点及性能:最后,对各种延拓技术进行了比较研究,分析了各种延拓技术的优缺点,并提出了基于多项式拟合的数据延拓技术。4.从提高速度与精度两方面着手,对EMD算法进行了系统研究。首先研究埃尔米特Hermite插值和三次样条插值哪个更适合获取序列的上、下包络线,结果表明三次样条插值效果较好;接着研究利用三次样条插值获得序列数据包络线的效果,结果表明该方法是理想的;然后阐述了样条插值获得包络线存在的问题,以及已有的解决方法——基于高次（高于三次）样条插值的EMD算法并考察了效果,表明高次样条插值能提高EMD算法精度,但耗时增加;最后根据EMD算法的特点,提出了基于极值点均值的EMD算法,并对该算法的效果进行了系统地研究,结果表明该算法优于原有的EMD方法。5.研究了动态数据挖掘中的时间序列相似性匹配问题。首先利用交叉覆盖算法对序列进行分类,进而完成序列匹配;直接利用覆盖算法进行匹配虽然是有效的,可是有时存在两个序列趋势是相似的,但由于某几维相差较大而没有被归为一类,增加了“拒识点”的个数。为了提高匹配的准确性,提出了基于EMD和交叉覆盖算法的序列匹配算法,实验证明该方法可以减少“拒识点”,提高匹配算法的准确度。6.研究了动态数据挖掘中的聚类问题。由于参加聚类的序列往往维度较高,所以首先研究了数据维度的约简问题。本章提出了基于EMD和自底向上（Bottom-Up）分段算法的维度约简方法,并把该维度约简方法和K-means算法相结合,有效完成了数据序列的聚类。7.结合国家高技术研究发展计划（863计划）专题课题（2007AA04Z116）——“面向制造业售后服务的商务智能关键技术研究”,把第五章提出的基于EMD和交叉覆盖算法的序列匹配算法用于个人信用的评估,即把客户的信用历史数据序列利用EMD方法提取趋势后,再利用交叉覆盖算法进行分类,通过对历史上每个类别的若干样本进行学习,从己知的数据中找出违约及不违约者的特征,从而总结出分类的规则,用于测量借款人的违约风险,为消费信贷决策提供依据;把第六章提出的聚类算法用于超市顾客行为的聚类,通过超市的交易数据对顾客进行聚类,将顾客划分到不同的簇（或称市场分段）,并用市场分段中购买率较高的商品作为该分段的描述,实现对每个市场分段分别地进行促销和广告。
二、基于粗糙集的交叉覆盖算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于粗糙集的交叉覆盖算法（论文提纲范文）
（2）基于神经网络交叉覆盖算法的学生成绩预测（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 数据挖掘技术在学校教学中应用的研究现状 |
| 1.4 论文的研究内容及结构安排 |
| 1.5 本章小结 |
| 第二章 数据挖掘的基本知识 |
| 2.1 什么是数据挖掘 |
| 2.2 数据挖掘过程 |
| 2.3 数据挖掘的分类和预测 |
| 2.4 数据挖掘技术的主要方法 |
| 第三章 神经网络 |
| 3.1 神经网络概念 |
| 3.2 神经网络基础 |
| 3.2.1 人工神经元 |
| 3.2.2 激活函数 |
| 3.2.3 神经网络的拓扑结构 |
| 3.2.4 神经网络的学习规则 |
| 3.3 BP学习算法 |
| 3.3.1 BP网络的学习过程 |
| 3.3.2 BP算法的实现 |
| 3.3.3 BP算法存在的问题 |
| 3.4 交叉覆盖算法 |
| 3.4.1 M-P神经元的几何意义 |
| 3.4.2 交叉覆盖算法思想 |
| 第四章 在综合素质评价中的神经网络算法应用 |
| 4.1 中学综合素质评价的需求分析 |
| 4.1.1 数据库系统现状 |
| 4.1.2 素质教育实施现状 |
| 4.1.3 合肥市区初中毕业生综合素质评价的实施 |
| 4.1.4 成绩分析的作用 |
| 4.1.5 现在对成绩评估的不足之处 |
| 4.2 数据的收集与分析 |
| 4.2.1 确定数据对象 |
| 4.2.2 数据的采集 |
| 4.3 数据的预处理 |
| 4.4 实验过程与结果 |
| 4.4.1 用交叉覆盖算法进行实验 |
| 4.4.2 BP算法实验结果与实验交叉覆盖算法比较 |
| 4.5 本章小结 |
| 第五章 结束语 |
| 5.1 本文总结 |
| 5.2 后续工作 |
| 致谢词 |
| 参考文献 |
| 图索引 |
| 表索引 |
| Figure Index |
| Table Index |
| 附录 |
（4）基于主题挖掘和覆盖的文本分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第一章 绪论 |
| 1.1 文本分类研究的意义与现状 |
| 1.1.1 文本分类研究的意义 |
| 1.1.2 文本分类研究的现状 |
| 1.2 覆盖算法的研究背景 |
| 1.3 论文的主要研究内容及各章节安排 |
| 第二章 中文文本分类相关技术 |
| 2.1 中文文本分类系统一般模型 |
| 2.2 文本的表示 |
| 2.2.1 预处理 |
| 2.2.2 特征选择 |
| 2.2.4 文本向量化模型 |
| 2.3 分类算法 |
| 2.3.1 支持向量机 |
| 2.3.2 贝叶斯方法 |
| 2.3.3 K近邻方法 |
| 2.3.4 决策树方法 |
| 2.3.5 覆盖算法 |
| 2.3.6 几种分类算法的比较 |
| 2.4 文本分类的评价标准 |
| 2.5 本章小节 |
| 第三章 基于词共现模型的文本主题挖掘 |
| 3.1 词共现模型 |
| 3.1.1 词共现模型介绍 |
| 3.1.2 词共现的共现度计算方法 |
| 3.2 基于词共现模型的文本主题挖掘 |
| 3.3 实验与讨论 |
| 3.3.1 实验数据介绍 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于模拟退火的交叉覆盖算法 |
| 4.1 构造性学习方法 |
| 4.1.1 M-P神经元的几何意义 |
| 4.1.2 覆盖算法 |
| 4.1.3 覆盖算法的理论分析 |
| 4.2 模拟退火算法 |
| 4.3 基于模拟退火的交叉覆盖算法 |
| 4.4 实验与分析 |
| 4.4.1 实验一 |
| 4.4.2 实验二 |
| 4.5 基于主题挖掘和覆盖的中文文本分类系统 |
| 4.5.1 基于主题挖掘和覆盖的中文文本分类系统模型 |
| 4.5.2 系统运行结果 |
| 4.5.3 系统分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录A 图索引 |
| Appendix A Figure Index |
| 附录B 表索引 |
| Appendix B Table Index |
| 致谢 |
| 攻读硕士学位期间从事的科研项目及发表的论文 |
| 导师、作者简介 |
（5）构造性神经网络在瓦斯时间序列预测中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景和选题意义 |
| 1.2 预测学概述 |
| 1.3 时间序列预测概述 |
| 1.4 本课题研究内容与文章组织结构 |
| 第二章 粒计算理论 |
| 2.1 粒计算概述 |
| 2.1.1 粒计算 |
| 2.1.2 研究粒计算的必要性 |
| 2.2 粒计算模型的基本组成 |
| 2.2.1 粒 |
| 2.2.2 层次 |
| 2.2.3 分层结构 |
| 2.2.4 粒结构——多层次和多个分层结构的结合 |
| 2.3 粒计算基本问题 |
| 2.4 三种主要的粒计算模型 |
| 2.4.1 词计算理论 |
| 2.4.2 粗糙集理论 |
| 2.4.3 商空间理论 |
| 2.4.4 商空间理论、粗糙集理论和词计算之间的关系 |
| 第三章 构造性神经网络 |
| 3.1 覆盖领域概念分析 |
| 3.1.1 人工神经元模型 |
| 3.1.2 超平面和球形覆盖的表示 |
| 3.1.3 覆盖领域的几何意义 |
| 3.2 基于覆盖的构造性学习方法的发展 |
| 3.2.1 前馈神经网络算法 |
| 3.2.2 交叉覆盖算法 |
| 3.3 对覆盖算法的研究进展 |
| 3.3.1 双交叉覆盖增量学习算法 |
| 3.3.2 核覆盖算法 |
| 3.3.3 加权的覆盖算法 |
| 3.3.4 机器学习中的多侧面递进算法MIDA |
| 3.3.5 基于概率的覆盖算法 |
| 3.3.6 基于粗糙集的交叉覆盖算法 |
| 3.4 改进的覆盖算法的研究和分析 |
| 3.4.1 算法的改进思想 |
| 3.4.2 改进的覆盖算法 |
| 第四章 时间序列预测 |
| 4.1 时间序列概述 |
| 4.1.1 时间序列的概念 |
| 4.1.2 时间序列的种类 |
| 4.2 时间序列模型 |
| 4.2.1 确定型时间序列模型 |
| 4.2.2 随机型时间序列模型 |
| 第五章 煤矿瓦斯浓度预测 |
| 5.1 煤矿瓦斯浓度预测研究背景 |
| 5.2 煤矿瓦斯浓度影响因素 |
| 5.3 煤矿瓦斯浓度预测实验方法 |
| 5.4 煤矿瓦斯预测实验 |
| 5.4.1 瓦斯时间序列的构成 |
| 5.4.2 归一化 |
| 5.4.3 实验结果 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 发表论文和参加科研情况说明 |
（6）基于商空间的煤矿瓦斯数据挖掘研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 数据挖掘基本理论 |
| 1.2.1 数据挖掘概念 |
| 1.2.2 分类与预测 |
| 1.2.3 数据挖掘的步骤 |
| 1.3 本课题研究的主要内容及各章节概述 |
| 第二章 粒计算、商空间和覆盖算法的基本理论 |
| 2.1 粒计算概述 |
| 2.1.1 粒计算的主要模型 |
| 2.1.2 粒计算模型的基本组成 |
| 2.1.3 粒计算基本问题 |
| 2.2 商空间理论 |
| 2.2.1 商空间的结构 |
| 2.2.2 粒度的确定 |
| 2.2.3 商空间的合成 |
| 2.3 覆盖算法 |
| 2.3.1 领域覆盖算法 |
| 2.3.2 多层前向神经网络的交叉覆盖算法 |
| 第三章 瓦斯数据挖掘模型研究 |
| 3.1 灰色理论与GM(1,1)模型 |
| 3.1.1 灰色理论介绍 |
| 3.1.2 灰色模型的原理和建立步骤 |
| 3.2 RBF 神经网络模型 |
| 3.2.1 RBF 神经网络的结构及原理 |
| 3.2.2 径向基函数网络RBF 网络与BP 网络的对比 |
| 3.3 马尔柯夫模型 |
| 3.3.1 马尔柯夫链的基本理论 |
| 3.3.2 马尔柯夫模型建立的步骤 |
| 3.4 支持向量机SVM |
| 3.4.1 高维空间中的最优分类超平面 |
| 3.4.2 分类支持向量机 |
| 3.5 组合预测模型 |
| 3.5.1 马尔柯夫模型与灰色模型的组合模型 |
| 3.5.2 RBF 神经网络与灰色模型的组合模型 |
| 3.5.3 SVM 与灰色模型的组合模型 |
| 3.5.4 基于商空间的覆盖算法与灰色模型组合模型 |
| 第四章 基于商空间的瓦斯数据挖掘 |
| 4.1 基于商空间粒度计算理论的瓦斯数据挖掘分析 |
| 4.1.1 信息粒度的构建 |
| 4.1.2 商空间粒度的计算 |
| 4.2 模型实验与结果分析 |
| 4.2.1 灰色-马尔柯夫模型组合预测 |
| 4.2.2 灰色——RBF 神经网络组合预测 |
| 4.2.3 灰色模型与SVM 组合预测 |
| 4.2.4 基于商空间的灰色模型-覆盖算法组合预测 |
| 4.2.5 四种组合模型的实验结果比较 |
| 第五章 总结与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 发表论文和参加科研情况说明 |
（7）软计算融合算法及其在Captcha识别方面的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.1.1 软计算方法 |
| 1.1.2 Captcha |
| 1.1.3 软计算方法在验证码识别方面的应用 |
| 1.2 论文的研究内容及安排 |
| 1.2.1 研究目标及方法 |
| 1.2.2 论文的内容安排 |
| 第2章 软计算融合方法 |
| 2.1 引言 |
| 2.2 遗传算法与神经网络的融合 |
| 2.3 粗糙集理论与神经网络的融合 |
| 2.4 本章小结 |
| 第3章 佳点集遗传覆盖算法 |
| 3.1 引言 |
| 3.2 佳点集遗传覆盖算法 |
| 3.2.1 佳点集遗传算法 |
| 3.2.2 领域覆盖算法 |
| 3.2.3 佳点集遗传覆盖算法 |
| 3.3 实验及结果分析 |
| 3.4 本章小结 |
| 第4章 基于条件信息熵的覆盖约简算法 |
| 4.1 引言 |
| 4.2 基于条件信息熵的覆盖约简算法 |
| 4.2.1 Rough理论的信息观 |
| 4.2.2 覆盖算法 |
| 4.2.3 基于条件信息熵的覆盖约简算法 |
| 4.3 试验及结果分析 |
| 4.4 本章小结 |
| 第5章 应用软计算融合方法构建验证码识别系统 |
| 5.1 引言 |
| 5.2 Captcha数据分析 |
| 5.3 Captcha信息提取系统的设计 |
| 5.4 基于覆盖算法分类器的设计 |
| 5.4.1 分类器设计原则 |
| 5.4.2 分类器功能模块 |
| 5.4.3 分类器的数据流图 |
| 5.5 分类器实现 |
| 5.6 实验 |
| 5.7 Captcha识别实验 |
| 5.8 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 下一步研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文及获奖情况 |
（8）案例知识库维护技术的研究进展（论文提纲范文）
| 0 引 言 |
| 1 维护技术 |
| 1.1 不确定删除法 |
| 1.1.1 随机删除法 |
| 1.1.2 实用值度量法 |
| 1.1.3 IB3方法 |
| 1.2 选择删除法 |
| 1.2.1 基于案例分类的删除策略 |
| 1.2.2 基于模式归纳的案例库维护 |
| 1.2.3 维护规则方法、基于Agent等办法 |
| 1.2.4 基于孤立点的案例库维护 |
| 1.2.5 基于相似粗糙集技术的案例库维护 |
| 1.3 非删除法 |
| 1.3.1 交叉覆盖法 |
| 1.3.2 商空间法 |
| 1.4 维护原则 |
| 2 结 语 |
（9）基于粗糙集与前馈网络的案例智能系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 致谢 |
| 第一章 绪论 |
| 1.1 案例智能 |
| 1.1.1 CBR概述 |
| 1.1.2 CBR的研究方向 |
| 1.2 粗糙集 |
| 1.2.1 粗糙集概述 |
| 1.2.2 粗糙集的研究现状 |
| 1.3 神经网络 |
| 1.3.1 神经网络的发展概要 |
| 1.3.2 神经网络与案例推理系统 |
| 1.4 选题的意义 |
| 1.5 论文的组织与安排 |
| 第二章 案例知识结构 |
| 2.1 CBR的逻辑学基础 |
| 2.1.1 类比推理 |
| 2.1.2 案例智能技术 |
| 2.1.3 非单调逻辑 |
| 2.2 案例表示 |
| 2.2.1 案例表示的要求 |
| 2.2.2 案例表示方法 |
| 2.3 相似性研究 |
| 2.3.1 案例相似性理论 |
| 2.3.2 相似性计算 |
| 2.4 案例的组织 |
| 2.5 案例修正技术 |
| 2.5.1 案例修正方法 |
| 2.5.2 修正知识获取 |
| 2.6 本章小结 |
| 第三章 基于粗糙集的综合推理技术 |
| 3.1 粗糙集基本理论 |
| 3.1.1 粗糙集基本概念 |
| 3.1.2 与其它不确定理论的关系 |
| 3.2 决策表达逻辑 |
| 3.2.1 知识的简化 |
| 3.2.2 决策逻辑 |
| 3.2.3 决策表的简化 |
| 3.3 综合推理技术及应用 |
| 3.3.1 粗糙集在 CBR中的实际应用 |
| 3.3.2 综合推理技术的融合方式 |
| 3.3.3 综合推理技术应用—案例智能决策支持系统 |
| 3.4 本章小结 |
| 第四章 基于前馈神经网络的案例检索 |
| 4.1 案例索引与检索技术 |
| 4.1.1 案例索引 |
| 4.1.2 案例检索 |
| 4.2 前馈神经网络模型 |
| 4.2.1 多层前馈神经网络 |
| 4.2.2 径向基网络 |
| 4.3 前馈神经网络的学习算法 |
| 4.3.1 BP算法 |
| 4.3.2 模拟退火算法 |
| 4.3.3 径向基函数算法 |
| 4.4 基于 RBF网络的案例检索模型 |
| 4.4.1 神经元模型 |
| 4.4.2 检索结构 |
| 4.4.3 实验 |
| 4.5 本章小结 |
| 第五章 基于构造性神经网络的案例智能系统 |
| 5.1 FP及覆盖算法 |
| 5.1.1 构造性神经网络 |
| 5.1.2 FP算法 |
| 5.1.3 M-P神经元的几何意义 |
| 5.1.4 覆盖算法 |
| 5.2 SVM及其学习算法 |
| 5.2.1 统计机器学习理论 |
| 5.2.2 支持向量机 |
| 5.3 基于前馈神经网络的案例智能系统 |
| 5.3.1 集成系统的结构模型 |
| 5.3.2 试验与分析 |
| 5.4 本章小结 |
| 第六章 案例知识库维护技术的相关研究 |
| 6.1 案例知识库维护 |
| 6.1.1 案例库维护架构 |
| 6.1.2 案例库维护方法 |
| 6.2 基于相似粗糙集技术的案例知识库维护 |
| 6.2.1 基本理论与算法 |
| 6.2.2 案例库维护过程 |
| 6.3 基于交叉覆盖算法的案例知识库维护 |
| 6.3.1 交叉覆盖算法 |
| 6.3.2 试验过程分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文的主要贡献与创新点 |
| 7.2 进一步的研究 |
| 参考文献 |
| 攻读博士学位期间从事的科研工作及发表的论文 |
（10）基于经验模态分解及动态数据挖掘的商务数据分析方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 致谢 |
| 目录 |
| 插图清单 |
| 表格清单 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 时频分析方法回顾 |
| 1.2.1 Fourier变换及 ZFFT变换 |
| 1.2.2 短时傅立叶变换(STFT) |
| 1.2.3 小波变换 |
| 1.2.4 Wigner-Ville分布 |
| 1.3 经验模态分解方法的提出和研究现状 |
| 1.4 动态数据挖掘 |
| 1.4.1 相似序列的查询问题 |
| 1.4.2 时间序列中的知识发现 |
| 1.4.3 时间序列的符号化 |
| 1.5 本文工作内容与组织结构 |
| 第二章 基于 EMD的时频分析理论和算法 |
| 2.1 引言 |
| 2.2 EMD方法的基本理论和算法 |
| 2.2.1 EMD方法的基本理论 |
| 2.2.2 EMD方法的完备性和正交性 |
| 2.3 基于 EMD的希尔伯特变换基本理论和算法 |
| 2.4 基于 EMD时频分析方法验证 |
| 2.5 本章小结 |
| 第三章 EMD中的端点问题 |
| 3.1 引言 |
| 3.2 端点问题的机理和影响 |
| 3.3 已有的端点问题解决方法回顾 |
| 3.3.1 神经网络延拓算法 |
| 3.3.2 镜像延拓算法 |
| 3.4 基于多项式拟合的端点问题处理方法 |
| 3.4.1 基于多项式拟合的端点问题解决方法 |
| 3.4.2 三种算法的比较 |
| 3.4.3 结论 |
| 3.5 本章小结 |
| 第四章 EMD的改进与优化 |
| 4.1 引言 |
| 4.2 两种形成包络线的插值方法 |
| 4.2.1 埃尔米特 Hermite插值 |
| 4.2.2 三次样条插值 |
| 4.2.3 两种插值的比较 |
| 4.3 利用样条插值获取包络线 |
| 4.3.1 利用样条插值获取包络线 |
| 4.3.2 实验 |
| 4.4 基于极值点均值的 EMD算法 |
| 4.4.1 利用样条插值获取包络线存在的问题和已有的解决方法 |
| 4.4.2 提出的样条插值存在问题的解决方法 |
| 4.4.3 实验及结果分析 |
| 4.4.4 结论 |
| 4.5 本章小结 |
| 第五章 动态数据挖掘中的时间序列匹配 |
| 5.1 引言 |
| 5.2 基于交叉覆盖算法的序列匹配算法 |
| 5.2.1 引言 |
| 5.2.2 前向神经网络交叉覆盖算法 |
| 5.2.3 基于交叉覆盖算法的时间序列模式匹配 |
| 5.2.4 实验 |
| 5.2.5 结论 |
| 5.3 基于 EMD和覆盖算法的序列匹配算法 |
| 5.3.1 引言 |
| 5.3.2 基于 EMD和覆盖算法的时间序列相似模式匹配算法 |
| 5.3.3 实验 |
| 5.3.4 结论 |
| 5.4 本章小结 |
| 第六章 动态数据挖掘中的聚类 |
| 6.1 引言 |
| 6.2 聚类相关研究 |
| 6.3 利用 EMD实现数据维度的约简 |
| 6.3.1 常用的时间序列线性分段算法研究 |
| 6.3.2 基于 EMD的时间序列维度约简算法 |
| 6.4 基于 EMD和 K-means算法的时间序列聚类方法 |
| 6.4.1 引言 |
| 6.4.2 K-means算法 |
| 6.4.3 基于 EMD和 K-means算法的时间序列聚类方法 |
| 6.4.4 结论 |
| 6.5 本章小结 |
| 第七章 基于经验模态分解及动态数据挖掘的商务数据分析 |
| 7.1 引言 |
| 7.2 基于EMD和交叉覆盖算法的个人信用的评估 |
| 7.2.1 个人信用评估的必要性与常用方法 |
| 7.2.2 基于 EMD和交叉覆盖算法的个人信用评估 |
| 7.3 基于 EMD和 K-means算法的客户行为聚类 |
| 7.3.1 交易数据聚类 |
| 7.3.2 基于 EMD和 K-means算法的客户行为聚类 |
| 7.4 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文工作的总结 |
| 8.2 展望 |
| 参考文献 |
| 在读期间参加的科研工作和发表论文情况 |
四、基于粗糙集的交叉覆盖算法（论文参考文献）
- [1]基于机器学习的舰船系统交叉覆盖数据分类方法[J]. 伊雯雯,王喜. 舰船科学技术, 2019(10)
- [2]基于神经网络交叉覆盖算法的学生成绩预测[D]. 宣国庆. 安徽大学, 2011(06)
- [3]WCBVSM与SACA结合的文本分类模型[J]. 张燕平,刘超,曲永花. 计算机工程与应用, 2012(11)
- [4]基于主题挖掘和覆盖的文本分类研究[D]. 刘超. 安徽大学, 2011(04)
- [5]构造性神经网络在瓦斯时间序列预测中的应用[D]. 朱宇. 太原理工大学, 2010(10)
- [6]基于商空间的煤矿瓦斯数据挖掘研究[D]. 段霄鹏. 太原理工大学, 2010(10)
- [7]软计算融合算法及其在Captcha识别方面的应用研究[D]. 李永顺. 安徽大学, 2010(12)
- [8]案例知识库维护技术的研究进展[J]. 李建洋,倪志伟,郑金彬,谢秀珍. 武汉工程大学学报, 2010(03)
- [9]基于粗糙集与前馈网络的案例智能系统的研究[D]. 李建洋. 合肥工业大学, 2009(11)
- [10]基于经验模态分解及动态数据挖掘的商务数据分析方法研究[D]. 刘慧婷. 合肥工业大学, 2008(11)