小波神经网络及其在化工建模中的应用
| 第一章 绪论 | 第1-12页 |
| 1．1 引言 | 第8-10页 |
| 1．2 本文的主要研究工作和内容安排 | 第10-12页 |
| 第二章 人工神经网络简介 | 第12-20页 |
| 2．1 人工神经元网络的提出 | 第12-13页 |
| 2．2 典型的神经网络 | 第13-18页 |
| 2．2．1 多层前馈神经网络 | 第13-14页 |
| 2．2．2 Hopfield网络 | 第14-15页 |
| 2．2．3 Grossberg网络 | 第15-16页 |
| 2．2．4 SOFM网络 | 第16页 |
| 2．2．5 递归网络 | 第16页 |
| 2．2．6 RBF网络 | 第16-18页 |
| 2．2．7 模糊神经网络 | 第18页 |
| 2．3 神经网络在化学化工中的应用 | 第18-20页 |
| 第三章 小波与小波神经网络 | 第20-40页 |
| 3．1 小波与小波分析 | 第20-33页 |
| 3．1．1 小波的发展与应用 | 第20-22页 |
| 3．1．2 小波变换 | 第22-25页 |
| 3．1．2．1 连续小波变换 | 第22-24页 |
| 3．1．2．2 离散栅格下的小波变换 | 第24-25页 |
| 3．1．3 几种母小波 | 第25-27页 |
| 3．1．4 小波框架 | 第27-33页 |
| 3．1．4．1 框架 | 第27-28页 |
| 3．1．4．2 Riesz基与正交基 | 第28-30页 |
| 3．1．4．3 小波框架 | 第30-33页 |
| 3．2 小波神经网络 | 第33-38页 |
| 3．2．1 小波网络的产生与发展 | 第33-35页 |
| 3．2．2 小波网络的分类 | 第35-36页 |
| 3．2．3 小波网络的特征 | 第36-37页 |
| 3．2．4 小波网络与其他神经网络的比较 | 第37-38页 |
| 3．3 小波网络在实际中的应用 | 第38-39页 |
| 3．4 小结 | 第39-40页 |
| 第四章 小波网络学习算法研究 | 第40-55页 |
| 4．1 引言 | 第40-41页 |
| 4．2 连续小波网络 | 第41-44页 |
| 4．2．1 连续小波网络的结构 | 第41页 |
| 4．2．2 连续小波网络训练算法 | 第41-42页 |
| 4．2．3 隐含层节点数的选择 | 第42-43页 |
| 4．2．4 连续小波权值初始化 | 第43-44页 |
| 4．3 离散正交小波网络 | 第44-50页 |
| 4．3．1 离散正交小波网络结构 | 第45-49页 |
| 4．3．2 离散正交小波网络的训练算法 | 第49-50页 |
| 4．3．3 离散正交小波网络隐层节点数的确定 | 第50页 |
| 4．4 连续小波网络参数的混合训练算法 | 第50-54页 |
| 4．5 小结 | 第54-55页 |
| 第五章 基于小波网络的非线性建模与预测 | 第55-71页 |
| 5．1 引言 | 第55-56页 |
| 5．2 小波网络的性质研究 | 第56-59页 |
| 5．3 基于观测数据的建模 | 第59页 |
| 5．4 预测学习理论 | 第59-63页 |
| 5．4．1 学习理论 | 第59-60页 |
| 5．4．2 预测学习 | 第60-63页 |
| 5．4．2．1 模型 | 第60-61页 |
| 5．4．2．2 根本困难 | 第61页 |
| 5．4．2．3 维数灾难问题 | 第61-62页 |
| 5．4．2．4 方差与偏离折衷 | 第62-63页 |
| 5．5 渣油裂解数据的建模与预测 | 第63-69页 |
| 5．5．1 样本数据与建模方式 | 第64-67页 |
| 5．5．2 网络结构与学习算法 | 第67-68页 |
| 5．5．3 结果与讨论 | 第68-69页 |
| 5．6 小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6．1 全文工作总结 | 第71页 |
| 6．2 存在的问题和今后的研究方向 | 第71-73页 |
| 参考文献 | 第73-81页 |
| 致谢 | 第81-82页 |
| 作者在攻读硕士期间完成的论文及科研项目 | 第82页 |
