基于遗传神经网络的汽车故障率预测
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 汽车故障预测的意义 | 第8-9页 |
| 1.2 汽车故障预测现状 | 第9-11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 第二章 人工神经网络 | 第12-33页 |
| 2.1 人工神经网络 | 第12-19页 |
| 2.1.1 人工神经网络基础 | 第12-13页 |
| 2.1.2 人工神经网络模型 | 第13-19页 |
| 2.2 神经网络的泛化能力 | 第19-22页 |
| 2.2.1 神经网络的泛化 | 第19-20页 |
| 2.2.2 提高泛化能力的方法 | 第20-22页 |
| 2.3 BP 神经网络 | 第22-33页 |
| 2.3.1 BP 神经网络原理 | 第23-26页 |
| 2.3.2 BP 神经网络的特点 | 第26-27页 |
| 2.3.3 BP 神经网络的改进算法 | 第27-33页 |
| 第三章 汽车故障分析建模 | 第33-45页 |
| 3.1 汽车故障的分类 | 第33-34页 |
| 3.1.1 汽车故障类别术语 | 第33页 |
| 3.1.2 汽车故障分类表 | 第33-34页 |
| 3.2 汽车故障的规律 | 第34-44页 |
| 3.2.1 汽车故障律 | 第34-36页 |
| 3.2.2 汽车装置故障率 | 第36-39页 |
| 3.2.3 汽车典型零部件故障率 | 第39-40页 |
| 3.2.4 汽车故障原因分析 | 第40-44页 |
| 3.3 汽车故障率模型 | 第44-45页 |
| 第四章 基于BP 神经网络的汽车故障预测 | 第45-54页 |
| 4.1 BP 神经网络设计 | 第45-50页 |
| 4.1.1 输入和输出层的设计 | 第45-46页 |
| 4.1.2 学习速度的选定 | 第46页 |
| 4.1.3 隐层数及隐层节点设计 | 第46-48页 |
| 4.1.4 训练函数的选择 | 第48-50页 |
| 4.2 BP 神经网络训练 | 第50-52页 |
| 4.3 BP 神经网络的泛化 | 第52-54页 |
| 第五章 遗传优化BP 神经网络 | 第54-62页 |
| 5.1 遗传算法概述 | 第54-57页 |
| 5.1.1 遗传算法的特点 | 第54-55页 |
| 5.1.2 遗传优化神经网络基本思想 | 第55-56页 |
| 5.1.3 遗传优化神经网络连接权 | 第56-57页 |
| 5.2 遗传优化BP 神经网络 | 第57-59页 |
| 5.2.1 染色体编码 | 第57页 |
| 5.2.2 初始群体的生成 | 第57页 |
| 5.2.3 适应度函数的设计 | 第57-58页 |
| 5.2.4 遗传算子操作 | 第58-59页 |
| 5.3 优化结果分析 | 第59-61页 |
| 5.4 与线性回归方法的比较 | 第61-62页 |
| 第六章 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间发表的学术论文 | 第69-71页 |
