| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 前言 | 第10-11页 |
| 第一章 文献综述 | 第11-25页 |
| ·人工神经网络方法在化学中应用的新进展 | 第11-20页 |
| ·光谱分析 | 第11-14页 |
| ·电化学分析 | 第14-15页 |
| ·色谱分析 | 第15-16页 |
| ·模式识别 | 第16页 |
| ·定量构效关系 | 第16-17页 |
| ·过程控制、模拟及优化 | 第17-18页 |
| ·神经网络和其他它化学计量学方法结合的应用 | 第18-19页 |
| ·展望 | 第19-20页 |
| ·遗传算法在化学中应用的新进展 | 第20-25页 |
| ·谱图解析 | 第20-21页 |
| ·模式识别 | 第21页 |
| ·优化 | 第21-22页 |
| ·遗传算法与神经网络结合的应用 | 第22-23页 |
| ·展望 | 第23-25页 |
| 第二章 基本理论 | 第25-39页 |
| ·人工神经网络的基本理论 | 第25-30页 |
| ·人工神经网络的传递函数 | 第25-26页 |
| ·误差反传神经网络(BP-ANN)模型的理论分析 | 第26-28页 |
| ·BP训练算法的实现步骤 | 第28-29页 |
| ·BP算法的几个缺陷 | 第29页 |
| ·BP算法的改进 | 第29-30页 |
| ·网络结构的优化 | 第30页 |
| ·遗传算法的基本理论 | 第30-37页 |
| ·编码 | 第31页 |
| ·群体初始化 | 第31-32页 |
| ·适应度函数计算 | 第32页 |
| ·遗传算子 | 第32-36页 |
| ·收敛的设定 | 第36页 |
| ·遗传算法的运行参数 | 第36-37页 |
| ·遗传算法的运算步骤 | 第37页 |
| ·用遗传算法优化 BP网络结构和参数 | 第37-39页 |
| 第三章 人工神经网络和遗传算法在多组分分析中的应用 | 第39-50页 |
| ·神经网络和遗传神经网络用于光度法同时测定钢中钨和钼 | 第39-45页 |
| ·遗传神经网络算法 | 第39-40页 |
| ·实验部分 | 第40-41页 |
| ·结果与讨论 | 第41-43页 |
| ·样品分析 | 第43-45页 |
| ·神经网络和遗传神经网络用于光度法同时测定钢中钼钥和钛 | 第45-50页 |
| ·遗传神经网络算法 | 第45-46页 |
| ·实验部分 | 第46-47页 |
| ·结果与讨论 | 第47-49页 |
| ·样品分析 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间发表的学术论文 | 第61页 |
