一、粗糙集理论(RST)及其在古陶瓷分类上应用的初探（论文文献综述）
涂乾[1]（2020）在《几种数据挖掘算法在陶瓷原料分类中的应用研究》文中研究指明陶瓷因其极高的实用性和艺术性而备受世人的推崇。在陶瓷技艺日益发展的今天,人们对陶瓷制品工艺要求越来越高;在陶瓷制品竞争激烈的市场,其质量是我们占据行业领先地位的关键。陶瓷原料的质量决定了陶瓷制品的质量,所以选择合适的陶瓷原料是生产高质量陶瓷制品的基础。首先,陶瓷原料的组成、结构和性能往往由于地质条件等因素而不同。其次,标准化原料供应不稳定使得陶瓷原料的选择和原料替代品寻找变得困难。因此,对陶瓷原料进行科学分类和准确鉴定显得尤为重要。笔者通过分析陶瓷工业的发展现状,把较为前沿的数据挖掘技术应用到陶瓷原料的分类分析中[1],为精准而又快速的识别陶瓷原料和替代原料提供参考。本文以陶瓷原料的化学成分和烧失量作为判别因子来分析模型,将陶瓷原料分为四类,分别为Ⅰ类,Ⅱ类,Ⅲ类,Ⅳ类,并作为判别分析建立模型的4个总体[2]（选取《陶瓷工艺学》中我国陶瓷工业常用的主要粘土化学组成作为实验原始数据）。然后利用径向基神经网络、随机森林、BP神经网络、支持向量机、极限学习机以及核极限学习机分别建立陶瓷原料的判别分析模型。通过比较相同数据的预测判别结果,选取又快捷又准确预测的方法,用于陶瓷原料的分类分析中,为陶瓷原料分类提供可靠的依据。研究结果表明,核极限学习机算法分类效果最佳,适宜在生产实际中推广应用。
梁思琦[2]（2019）在《几种数据挖掘算法在古陶瓷断源断代分析中的应用》文中研究表明中国古陶瓷以其精湛技艺和所传达出的社会价值成为人类文明发展中璀璨的明珠。随着近年来大量古陶瓷器的出土、陶瓷业的迅猛发展以及对古陶瓷鉴别研究的强烈需求,古陶瓷断源断代研究成为当前的研究热点。目前最常用于古陶瓷断源断代分析的方法为传统经验鉴定方法和科学技术鉴定方法。传统经验鉴定方法主要依靠人的感官进行鉴别（又称目鉴）,通过目测手摸去识别文物,存在着人类感官以及所依据经验的局限,容易受到主观因素的影响。科学技术鉴定方法主要依靠科技手段鉴别古陶瓷的年代、成份、产地等,科学技术鉴定法主要有元素组成分析方法、热释光分析法、X-射线荧光谱仪分析法等,但这种方法也存在着弊端,例如会造成古陶瓷完整性的破坏、鉴定时需要耗费大量的人力和财力。两种方法各有优劣,而通过数据挖掘技术对古陶瓷成分进行分析研究,寻找内在的联系与规律,可以弥补两种方法的不足。随着数据挖掘技术的快速发展,使得越来越多的学者将数据挖掘技术与各领域联系在一起,并形成了十分完善的理论研究体系。基于这些理论体系,我们在深入学习和研读数据挖掘书籍及相关领域的最新研究进展的基础之上,通过对所收集整理的古陶瓷化学成分进行数据分析,在古陶瓷断源断代的研究中应用反向传播神经网络（Error Back Propagation Neural Network,BP）﹑粒子群优化算法（Particle Swarm Optimization,PSO）、遗传优化算法（Genetic Algorithm,GA）﹑长短期记忆网络（Long Short Term Memory Network,LSTM）﹑随机森林（Random Forest,RF）这五种算法进行分析。在本文第三章中,分别使用BP神经网络建立古陶瓷分类模型,再使用遗传算法优化BP神经网络,实验结果显示GA-BP的分类精度和准确率明显高于BP神经网络模型。第四章介绍了基于粒子群算法优化BP神经网络的古陶瓷分类方法,第五章运用随机森林算法对古陶瓷断代分类,第六章所采用的是深度学习中的LSTM网络。实验结果说明LSTM网络模型在古陶瓷断源断代问题上的模型效果是最好的。但是,实验结果并没有达到完美的分类效果,研究中还有很多地方需要改进,且本文也仅仅使用了几种数据挖掘的技术,是否有其他模型更加适合古陶瓷断源断代问题,这还需要进一步的研究。
李越,龚铭[3]（2019）在《多元统计分析方法在古陶瓷鉴定中的应用》文中进行了进一步梳理陶瓷在世界文化发展史中有十分重要的地位,是艺术和科学的结晶。众所周知,中国陶瓷的发展具有悠长的历史,是中华民族原始文化的代表。对出土陶瓷的断源、断代是当前考古工作中的重要组成部分。随着科学技术与考古研究的相互结合,陶瓷鉴赏的技术分析逐渐形成热潮。当前,国内古陶瓷研究工作主要集中在其成分和元素含量的测定。文章采用适当的多元统计方法,对古陶瓷化学成分测定数据进行分析,并据此初步判断陶瓷的产地、文化和窑系。
李云娟[4]（2016）在《粗糙集理论在河南省古代陶器研究中的应用》文中研究说明河南省是中华民族的发祥地之一,其独特的地理环境及悠久历史成就了河南省深厚的文化底蕴。古代陶器作为人类活动的重要遗存,是早期人类活动的重要印迹。随着人类文明的进步和技术的发展,陶器制作工艺不尽相同,古代陶器的特征如器物形制、质地、纹饰等在不同时期的变化反映了遗址文化的变迁,有着十分重要的研究价值与意义。因此,从器物类型学角度,运用粗糙集理论对古代陶器进行研究,对探究不同考古文化学的源流关系具有重要的理论意义和现实价值。论文从器物类型学角度出发,采用粗糙集理论对河南省古代陶器数据进行了数据挖掘研究。根据相关考古发掘报告中的古代陶器器物类型学数据,建立了包括罐、盆、壶、鬲等典型器物的河南典型文化区域古陶器数据库。由于部分器物残缺,及在人工记录数据的过程中存在记录不完整的情况,故所建数据表为不完备数据表。在数据预处理过程中,针对不完备数据情况提出了基于不完备数据聚类的缺失数据填补方法;在属性约简过程中,采用基于属性重要度的属性约简算法;在规则提取过程中,对约简后的决策表提取规则,形成一个规则库,结合考古学知识分析得到文物与文化之间的关系。通过分析规则库中的规则,可以得出,不同器物的一些特征如果符合其中一条决策规则,那么这些器物大致属于同一个文化区域。研究结论表明,依据古代陶器的器物类型学数据,采用粗糙集方法可以研究不同文化遗址的相互关系,对研究不同考古文化学的源流关系也具有一定意义。
尹丽[5]（2014）在《不同数据处理方法在古陶瓷断源断代研究中的对比分析》文中认为我国具有悠久灿烂的历史文明，古陶瓷是硅酸盐质文物材料的重要组成部分，在研究人类文明史中占有重要地位。人们在对古陶瓷进行科技研究和鉴定的过程中，利用各种分析方法测出古陶瓷胎、釉的元素组成数据只是工作的第一步，而如何真正把隐藏在一大堆看似杂乱无章的数字中的信息集中、萃取、提炼出来，则是古陶瓷研究和鉴定中非常重要的一环[1,2]。由于古陶瓷产品种类繁多，其产区与制瓷技术和艺术的发展也不尽相同，我国古陶瓷的化学组成非常复杂，因此需要对数据变量进行筛选和组元确定等预处理，从数据分析结果图中最大限度地归纳提取我们所需要的信息是鉴定分析过程中一个非常重要的过程[2]。然而，古陶瓷样品数据有其自身的特性，除了古陶瓷自身的多样性以外，还受到古陶瓷元素组成分析技术和数据统计分布情况的影响，此外，不同的数据分析方法也都有其自身的特点和适用范围，所以如何针对古陶瓷样品数据的自身特点和具体的研究目的，有效选择和应用相应的数据分析方法有针对性地进行古陶瓷数据分析，成为古陶瓷科技研究者所关注的一个热点问题。本文针对古陶瓷断源断代、产地特征与演变规律的相应研究目的，由于龙泉窑是我国古代生产青瓷最具代表性的窑口之一，其青瓷产品已成为不同地区广大窑工争相效仿的对象，并以景德镇明清时期仿制最具代表性，且二者在外观上较为接近，传统鉴定方法比较难以区分。因此以景德镇仿龙泉青瓷与龙泉青瓷的胎、釉化学组成为研究对象，选择了多元统计判别分析方法、人工神经网络以及支持向量机算法等三种不同的数据分析方法对其进行数据处理分析，得出了样品瓷片在胎、釉化学组成上的归类特征，并建立了各类瓷片的判别式，且在一定程度上证实了不同数据分析方法的适用范围和特点，对多种不同的数据处理方法在古陶瓷断源断代中的应用提供了一定的参考。此外，本文将多元统计判别分析、人工神经网络和支持向量机算法进行对比分析，探讨了不同方法之间的差异性及适用性，便于学者根据数据的自身特点和条件，选择更具可靠性和准确性的方法来达到数据分析的目的，为提高不同数据分析方法在古陶瓷科技研究中的合理利用提供了一定的参考依据。
余文质,闫玲君[6]（2011）在《基于灰色关联分析和案例推理的古陶瓷分类方法》文中指出为研究汝官瓷和钧官瓷之间的分类关系,将基于案例推理引入古陶瓷分类,提出了基于灰色关联分析的案例检索方法.根据陶瓷胎的主量化学组成对它们进行了分类.实例分析表明:古陶瓷类别评价结果与其实际情况一致,说明汝官瓷胎和钧官瓷胎的原料来源接近但不相同.
秦俊法,郑启荣,楼蔓藤,李增禧,萧益新[7]（2009）在《头发检测与疑难病诊断》文中认为综述了我国用头发诊断疑难病,包括恶性肿瘤、心脑血管疾病、尘肺的研究概况。20余年来,中国科技人员创造了4类利用头发微量元素谱诊断疾病的方法。18项研究报告表明,头发微量元素谱可将癌症病人与健康人正确区分开来,为临床癌症诊断奠定了坚实的实验基础,也为利用头发样本代替血液样本作人群癌症筛查提供了理论依据;11项研究结果表明,借助头发微量元素谱,可相当准确地判别待测样本的健康属性,可以诊断和预报疾病,可以筛选高危人群,对心脑血管病的早发现、早诊断、早治疗具有重要的潜在应用价值;9项研究结果证明,测量头发元素,建立判别方法,可以从待检样品准确诊断尘肺患者和找出尘肺高危人群,并可提早35年对尘肺的发生作出预报。实践表明,头发检测是疑难病筛查的一种简便、经济、实用、有效的新方法。
付略[8]（2008）在《古陶瓷EDXRF分析及数据处理方法的研究》文中提出中国的文物按其材料性能可分为硅酸盐质文物、金属质文物和有机质文物三大类,古陶瓷是硅酸盐质文物材料的重要组成部分。中国的古陶瓷烧制有一万年左右的历史,要从本质上了解它们,就必须从陶瓷材料的化学组成、结构和性能等方面入手,提取与产地和年代有关的信息并将其作为断源断代的依据。因此胎、釉化学组成的测量和分析是科学工作者研究古陶瓷的重要途径,它包括两方面内容:（1）准确、可信的测量数据的获得;（2）测量数据的科学分析。能量色散X荧光光谱分析法（EDXRF）是一种很好的能定性和精确定量的无损元素分析测试技术。它不破坏分析样品,能快速进行钠（Z11）至铀（Z92）的多元素的同时分析,而且分析的浓度范围宽广、精度高,因此特别适合于进行文物材料的成分分析研究,尤其适合测试极其珍贵的古陶瓷完整文物样品分析与鉴定。本研究运用EDXRF元素分析方法对92件南宋时期的官窑、越窑和龙泉窑以及杭州皇城遗址出土瓷片的胎、釉化学组成进行了测试,并用四种多元统计分析方法分析了其中78件瓷片的常量元素化学组成数据,得出了它们的分类信息并建立了各自的判别式,为它们的断源断代提供了科学的依据。同时用自组织特征映射神经网络方法（self-organizing map,SOM）对48个来自3个不同产地的出土于4个古代青瓷窑址的瓷片胎的常量量元素化学组成数据进行了聚类分析,结果表明SOM能正确地区分出瓷片的3个产地:龙泉、慈溪和杭州。由于两官窑的瓷片在主、次量元素化学组成上比较接近,使得它们的分类正确率仅为76.92%,于是作者对两官窑瓷片胎的微量元素化学组成数据用同样方法又进行了一次聚类分析。结果发现分类正确率提高到了84.61%,说明两官窑的瓷片在微量元素上的差别比在常量元素上的差别要大,这与实际情况是一致的,表明SOM神经网络方法适合用于古陶瓷的聚类分析研究中。接着又将LS-SVM算法用于杭州南宋官窑2窑址出土的38件瓷片的分类研究中,根据瓷片胎和釉的常量和痕量元素组成对它们进行了分类,用留一法检验其分类效果,并与支持向量机（support vector machine,SVM）算法和SOM算法进行了比较。结果表明:SVM算法和LS-SVM算法比SOM算法更适合于处理“小样本”问题;一般情况下,SVM的分类效果比LS-SVM的分类效果好,而LS-SVM具有更快的求解速度;两官窑瓷片釉的化学组成区别比胎的化学组成区别更大,痕量元素化学组成的区别比常量和微量元素化学组成的区别更大。
陈经涛,黄四平[9]（2007）在《中国古代陶瓷综合分类方法及类别研究》文中研究说明古陶瓷的分类是古陶瓷科学研究的主要课题之一,但至今还没有一个统一的、规范性的国家标准。集各种分类方法的优点和精华,并在对中国古陶瓷制造的原料、烧制的窑式、烧制温度、代表品种、工艺特点、外观特征、化学组成等"内在"质地和"外在"形态方面进行详细的归类、分析和比较的基础上,把中国古陶瓷各时期的科技发展内涵和时代信息结合、统一在一起,中国古代陶瓷被分为六大类。期望这种分类能为文物工作者及文物爱好者对古陶瓷的修复保护、断代和断源、科学管理、辨别真伪提供比较科学、可信度较大有效参考。
丁加明,王永和,丁力行[10]（2006）在《基于粗糙集的膨胀土分级指标重要性分析》文中研究表明现行的膨胀土分级指标相互之间存在一定的关联,具有不同的重要性。提出了运用粗糙集理论完善和优化膨胀土胀缩指标体系的分析方法,通过计算膨胀土评判指标与评判结果的粗糙依赖度来确定评价指标的重要性。计算结果表明,自由膨胀率、膨胀力、50kPa压力下的膨胀率和胀缩总率4个指标中,自由膨胀率是评判膨胀土胀缩等级的1个最重要的指标,膨胀力、50kPa压力下的膨胀率和胀缩总率的重要性依次降低。所提出的分析方法为优化与改进膨胀土胀缩等级评判指标体系提供了合理而有效的依据。
二、粗糙集理论(RST)及其在古陶瓷分类上应用的初探（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、粗糙集理论(RST)及其在古陶瓷分类上应用的初探（论文提纲范文）
（1）几种数据挖掘算法在陶瓷原料分类中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要内容及创新点 |
| 1.3.1 论文的主要内容 |
| 1.3.2 论文的创新点 |
| 1.4 论文的基本结构 |
| 2 数据挖掘相关理论分析 |
| 2.1 数据挖掘概述 |
| 2.2 数据挖掘算法 |
| 2.2.1 径向基神经网络 |
| 2.2.2 随机森林 |
| 2.2.3 BP神经网络 |
| 2.2.4 支持向量机 |
| 2.2.5 极限学习机 |
| 2.2.6 MATLAB软件简介及其主要功能 |
| 2.3 数据的选取 |
| 2.4 本章小结 |
| 3 一种基于径向基神经网络的陶瓷原料分类方法 |
| 3.1 RBF神经网络模型 |
| 3.1.1 RBF神经元模型 |
| 3.1.2 RBF神经网络模型 |
| 3.2 RBF网的数学基础 |
| 3.2.1 内插问题 |
| 3.2.2 正则化网络 |
| 3.3 RBF神经网络的学习算法 |
| 3.3.1 自组织选取中心法 |
| 3.3.2 梯度训练方法 |
| 3.4 RBF在陶瓷原料分类中的应用 |
| 3.4.1 陶瓷原料数据 |
| 3.4.2 RBF对陶瓷原料分类的预测 |
| 3.5 本章小结 |
| 4 一种基于BP神经网络的陶瓷原料分类方法 |
| 4.1 BP网络模型 |
| 4.2 BP网络学习的几种算法 |
| 4.3 BP神经网络的特点 |
| 4.4 BP神经网络的应用 |
| 4.5 BP神经网络在陶瓷原料分类上的应用 |
| 4.5.1 BP神经网络对原料分类的参数设置 |
| 4.5.2 BP神经网络对陶瓷原料分类的识别结果 |
| 4.5.3 BP神经网络分类结果混淆矩阵 |
| 4.6 本章小结 |
| 5 一种基于支持向量机的陶瓷原料分类方法 |
| 5.1 SVM的基本思想 |
| 5.2 核函数 |
| 5.2.1 核函数变换基本思想 |
| 5.2.2 常见核函数 |
| 5.3 SVM多类分类问题 |
| 5.3.1 基于二值分类的SVM多类分类 |
| 5.3.2 多类二值分类器组合 |
| 5.4 陶瓷原料数据的输入与分析 |
| 5.4.1 SVM对陶瓷原料分类的识别结果 |
| 5.4.2 SVM分类结果混淆矩阵 |
| 5.5 本章小结 |
| 6 一种基于随机森林的陶瓷原料分类方法 |
| 6.1 随机森林的算法概述 |
| 6.2 随机森林的算法原理 |
| 6.3 随机森林算法优缺点 |
| 6.4 随机森林算法流程 |
| 6.5 基于随机森林的陶瓷原料分类结果与分析 |
| 6.5.1 随机森林伪代码和陶瓷原料分类结果 |
| 6.5.2 随机森林分类结果混淆矩阵 |
| 6.6 本章小结 |
| 7 一种基于极限学习机的陶瓷原料分类方法 |
| 7.1 ELM算法概述 |
| 7.2 ELM算法优缺点及研究现状 |
| 7.3 ELM在陶瓷原料分类中的应用 |
| 7.3.1 ELM对陶瓷原料分类结果 |
| 7.3.2 ELM算法混淆矩阵结果 |
| 7.4 KELM在陶瓷原料分类中的应用 |
| 7.4.1 KELM对陶瓷原料分类预测结果 |
| 7.4.2 KELM分类结果混淆矩阵 |
| 7.5 算法分类结果分析比较 |
| 7.5.1 多种算法分类结果比较 |
| 7.5.2 KELM与ELM算法优缺点分析 |
| 7.5.3 其他算法优缺点分析 |
| 7.5.4 结论 |
| 7.6 本章小结 |
| 8 结论与展望 |
| 8.1 论文研究的主要内容 |
| 8.2 结论 |
| 8.3 不足 |
| 8.4 展望 |
| 致谢 |
| 参考文献 |
（2）几种数据挖掘算法在古陶瓷断源断代分析中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 古陶瓷分类研究现状 |
| 1.2.1 古陶瓷传统分类研究方法 |
| 1.2.2 古陶瓷科技分类研究方法 |
| 1.3 论文的组织结构 |
| 1.4 研究的意义和创新点 |
| 2 数据挖掘相关理论、算法及评价指标 |
| 2.1 数据挖掘概述 |
| 2.1.1 数据挖掘的概念与发展 |
| 2.2 本文所使用的主要算法概述 |
| 2.3 评价指标 |
| 2.4 本文所引用数据的说明 |
| 3 基于遗传算法优化BP神经网络的古陶瓷分类方法 |
| 3.1 BP神经网络 |
| 3.2 基于BP神经网络的古陶瓷分类实验预测分析 |
| 3.3 遗传算法原理 |
| 3.4 基于遗传算法优化BP神经网络的古陶瓷分类实验预测分析 |
| 3.5 本章小结 |
| 4 基于粒子群算法优化BP神经网络的古陶瓷分类方法 |
| 4.1 PSO算法原理 |
| 4.2 基于粒子群算法优化BP神经网络的古陶瓷分类实验预测分析 |
| 4.3 本章小结 |
| 5 基于随机森林算法的古陶瓷断代分类方法 |
| 5.1 随机森林 |
| 5.2 随机森林算法在古陶瓷断源断代分类方面的实验预测分析 |
| 5.3 本章小结 |
| 6 深度学习 |
| 6.1 深度学习发展 |
| 6.1.1 深度信念网络 |
| 6.1.2 生成式对抗模型 |
| 6.1.3 循环神经网络 |
| 6.2 LSTM网络 |
| 6.3 LSTM算法在古陶瓷断源断代分类方面的实验预测分析 |
| 6.4 上述各类算法分析比较 |
| 6.4.1 上述算法的优点 |
| 6.4.2 上述算法的缺点 |
| 6.5 本章小结 |
| 7 结论 |
| 7.1 论文研究的主要内容 |
| 7.2 取得的主要研究成果 |
| 7.3 论文研究的不足及今后进一步研究的内容 |
| 致谢 |
| 参考文献 |
（3）多元统计分析方法在古陶瓷鉴定中的应用（论文提纲范文）
| 1 背景 |
| 2 文献综述 |
| 3 理论基础 |
| 3.1 聚类分析 |
| 3.2 判别分析 |
| 3.3 因子分析 |
| 4 多元统计分析 |
| 4.1 陶器 |
| 4.1.1 陶器品种的聚类分析 |
| 4.1.2 陶器化学成分因子分析 |
| 4.1.3 陶器来源地的聚类分析 |
| 4.2 瓷器 |
| 4.2.1 越窑青瓷地域的判别分析 |
| 4.2.2 瓷器窑系的因子分析 |
| 5 结论及建议 |
| 6 局限性与展望 |
（4）粗糙集理论在河南省古代陶器研究中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的组织结构 |
| 2 粗糙集基本理论 |
| 2.1 引言 |
| 2.2 知识和不可分辨关系 |
| 2.2.1 知识 |
| 2.2.2 不可分辨关系 |
| 2.3 上下近似集和信息系统 |
| 2.3.1 上下近似集合 |
| 2.3.2 知识的依赖性 |
| 2.3.3 信息系统 |
| 2.4 知识约简和决策规则 |
| 2.4.1 知识约简与核 |
| 2.4.2 决策规则 |
| 2.5 本章小结 |
| 3 不完备信息系统的粗糙集模型拓展和属性约简算法 |
| 3.1 引言 |
| 3.2 不完备信息系统 |
| 3.3 不完备信息系统中的粗糙集拓展模型 |
| 3.3.1 容差关系模型 |
| 3.3.2 量化容差关系 |
| 3.3.3 非对称相似关系模型 |
| 3.3.4 限制容差关系模型 |
| 3.4 属性约简算法 |
| 3.4.1 基于差别矩阵的属性约简算法 |
| 3.4.2 基于Pawlak属性重要度的属性约简算法 |
| 3.5 本章小结 |
| 4 粗糙集理论方法在河南省古陶器研究中的应用 |
| 4.1 引言 |
| 4.2 卡方检验和主成份分析 |
| 4.2.1 卡方检验 |
| 4.2.2 主成份分析 |
| 4.3 属性重要度属性约简算法在不完备古陶器数据库中的应用 |
| 4.3.1 不完备罐数据表数据预处理 |
| 4.3.2 属性约简 |
| 4.3.3 不完备组合古陶器数据表数据预处理 |
| 4.3.4 属性约简 |
| 4.4 属性重要度属性约简算法在完备古陶器上的应用 |
| 4.4.1 不完备古陶器数据库数据预处理改进 |
| 4.4.2 属性约简 |
| 4.5 本章小结 |
| 5 实验结果与分析 |
| 5.1 引言 |
| 5.2 属性值约简算法 |
| 5.2.1 重复对象和冲突对象的处理 |
| 5.2.2 属性值约简算法 |
| 5.3 规则的提取 |
| 5.4 实验结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 攻读硕士学位期间参加的科研实践及发表的论文 |
| 致谢 |
| 参考文献 |
（5）不同数据处理方法在古陶瓷断源断代研究中的对比分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 前言 |
| 2 文献综述 |
| 2.1 古陶瓷断源断代研究综述 |
| 2.1.1 古陶瓷断源断代研究的意义 |
| 2.1.2 数据分析在古陶瓷断源断代研究中的作用 |
| 2.2 古陶瓷的数据特点 |
| 2.2.1 古陶瓷自身的多样性 |
| 2.2.2 古陶瓷元素组成测试技术的多样性及其对古陶瓷数据的影响 |
| 2.2.3 古陶瓷数据的统计分布特征 |
| 2.2.4 古陶瓷数据分析常见问题 |
| 2.3 常用古陶瓷数据分析方法简介与研究现状 |
| 2.3.1 多元统计方法 |
| 2.3.2 人工神经网络 |
| 2.3.3 支持向量机算法 |
| 2.3.4 其他数据分析方法 |
| 2.4 本课题主要研究内容、目的和意义 |
| 3 多种数据处理方法在龙泉青瓷与景德镇仿龙泉青瓷产地判别中的应用 |
| 3.1 龙泉青瓷与景德镇仿龙泉青瓷的多元统计判别分析 |
| 3.1.1 实验样品及数据 |
| 3.1.2 胎的主、次量元素组成判别分析 |
| 3.1.3 釉的主、次量元素组成判别分析 |
| 3.2 龙泉青瓷与景德镇仿龙泉青瓷的人工神经网络分析 |
| 3.2.1 引言 |
| 3.2.2 人工神经网络模型构建的方法与判别结果 |
| 3.3 龙泉青瓷与景德镇仿龙泉青瓷的支持向量机（SVM）分析 |
| 3.3.1 引言 |
| 3.3.2 支持向量机模型构建的方法与判别结果 |
| 3.4 本章小结 |
| 4 不同数据处理方法对比研究 |
| 4.1 引言 |
| 4.2 不同数据分析方法对比分析 |
| 4.3 本章小结 |
| 5 结论 |
| 致谢 |
| 参考文献 |
| 硕士毕业生信息表 |
| 附件 |
（8）古陶瓷EDXRF分析及数据处理方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1.前言 |
| 1.1 中国陶瓷史概述 |
| 1.2 古陶瓷化学组成研究综述 |
| 1.3 古陶瓷化学组成研究的发展方向 |
| 1.4 本文研究方法和主要内容 |
| 2.EDXRF分析的基本原理 |
| 2.1 X射线和X射线光谱 |
| 2.1.1 X射线的基本性质 |
| 2.1.2 X射线连续光谱 |
| 2.1.3 X射线特征光谱 |
| 2.2 X射线荧光光谱分析的基本原理 |
| 2.3 EDXRF仪器简介 |
| 2.4 X射线荧光光谱的定量分析 |
| 2.4.1 谱峰的测量 |
| 2.4.2 X射线荧光光谱定量分析中的影响因素 |
| 2.4.3 背景 |
| 2.4.4 X射线荧光光谱定量分析方法: |
| 2.4.5 经验系数法 |
| 3.古瓷片的化学组成多元统计分析 |
| 3.1 引言 |
| 3.2 实验和结果 |
| 3.3 因子分析 |
| 3.3.1 胎的常量元素组成因子分析 |
| 3.3.2 釉的常量元素组成因子分析 |
| 3.4 聚类分析 |
| 3.4.1 胎的常量元素组成聚类分析 |
| 3.4.2 釉的常量元素组成聚类分析 |
| 3.5 判别分析 |
| 3.5.1 胎的常量元素组成判别分析 |
| 3.5.2 釉的常量元素组成判别分析 |
| 3.6 对应分析 |
| 3.6.1 胎的常量元素组成对应分析 |
| 3.6.2 釉的常量元素组成对应分析 |
| 3.7 结论 |
| 4.基于SOM神经网络的古代青瓷聚类分析 |
| 4.1 引言 |
| 4.2 实验 |
| 4.2.1 样品 |
| 4.2.2 实验方法和测试数据 |
| 4.3 基于SOM网络的聚类分析 |
| 4.3.1 SOM神经网络原理 |
| 4.3.2 网络模型的构建与输出 |
| 4.4 讨论 |
| 4.5 结论 |
| 5 基于LS-SVM算法的南宋官窑出土瓷片分类 |
| 5.1 SVM与LS-SVM的原理比较 |
| 5.2 实验和模型的建立 |
| 5.2.1 样品 |
| 5.2.2 实验方法和测试数据 |
| 5.2.3 模型的建立 |
| 5.3 结果与讨论 |
| 5.4 结论 |
| 参考文献 |
| 攻读硕士研究生期间完成的论文 |
| 致谢 |
四、粗糙集理论(RST)及其在古陶瓷分类上应用的初探（论文参考文献）
- [1]几种数据挖掘算法在陶瓷原料分类中的应用研究[D]. 涂乾. 景德镇陶瓷大学, 2020(02)
- [2]几种数据挖掘算法在古陶瓷断源断代分析中的应用[D]. 梁思琦. 景德镇陶瓷大学, 2019(03)
- [3]多元统计分析方法在古陶瓷鉴定中的应用[J]. 李越,龚铭. 文物鉴定与鉴赏, 2019(06)
- [4]粗糙集理论在河南省古代陶器研究中的应用[D]. 李云娟. 华北水利水电大学, 2016(05)
- [5]不同数据处理方法在古陶瓷断源断代研究中的对比分析[D]. 尹丽. 景德镇陶瓷学院, 2014(09)
- [6]基于灰色关联分析和案例推理的古陶瓷分类方法[J]. 余文质,闫玲君. 河南师范大学学报(自然科学版), 2011(05)
- [7]头发检测与疑难病诊断[J]. 秦俊法,郑启荣,楼蔓藤,李增禧,萧益新. 广东微量元素科学, 2009(10)
- [8]古陶瓷EDXRF分析及数据处理方法的研究[D]. 付略. 浙江大学, 2008(09)
- [9]中国古代陶瓷综合分类方法及类别研究[J]. 陈经涛,黄四平. 中国西部科技(学术), 2007(10)
- [10]基于粗糙集的膨胀土分级指标重要性分析[J]. 丁加明,王永和,丁力行. 岩土力学, 2006(09)