| 摘要 | 第1-10页 |
| Abstract | 第10-13页 |
| 第1章 绪论 | 第13-19页 |
| ·选题背景和论文的意义 | 第13-15页 |
| ·本文工作的简介 | 第15-19页 |
| 第2章 神经网络信息处理 | 第19-29页 |
| ·神经网络的发展与意义 | 第19-20页 |
| ·神经网络的分类与应用领域 | 第20-23页 |
| ·特征 | 第20-21页 |
| ·功能 | 第21-22页 |
| ·应用领域 | 第22-23页 |
| ·神经网络理论基础 | 第23-26页 |
| ·单层感知器 | 第23-24页 |
| ·多层神经网络 | 第24页 |
| ·BP神经网络结构及算法 | 第24-26页 |
| ·简单线性联想网络算法 | 第26页 |
| ·基于BP算法的多层前馈网络设计方法 | 第26-29页 |
| ·网络信息容量与训练样本数 | 第26-27页 |
| ·训练样本数据处理 | 第27-28页 |
| ·网络结构设计 | 第28-29页 |
| 第3章 基于糢糊原理的碰撞危险度糢型 | 第29-47页 |
| ·糢糊控制理论基础 | 第29-33页 |
| ·会遇局势 | 第30-31页 |
| ·影响碰撞危险度相关因素的概念 | 第31-33页 |
| ·船舶避碰领域基本概念和避碰控制系统现状 | 第33-37页 |
| ·模糊理论确定碰撞危险度方法 | 第33-35页 |
| ·模糊推理系统 | 第35页 |
| ·危险度判定现状 | 第35-37页 |
| ·船舶碰撞危险指标的糢糊评判 | 第37-39页 |
| ·船舶碰撞危险指标的模糊特性 | 第37-39页 |
| ·采用带参数的隶属函数判定碰撞危险度 | 第39-44页 |
| ·碰撞危险隶属函数 | 第39-40页 |
| ·危险度判定及避碰综合决策模型 | 第40-42页 |
| ·模型应用 | 第42-44页 |
| ·结论 | 第44-47页 |
| 第4章 采用BP神经网络进行基本碰撞危险度判定 | 第47-59页 |
| ·采用神经网络进行碰撞危险度判定 | 第47-53页 |
| ·采用神经网络进行危险度判定的可行性与重要性 | 第47-48页 |
| ·会遇局势参数的确定方法 | 第48-53页 |
| ·以D_C和T_C为输入的神经网络判定系统及仿真结果 | 第53-55页 |
| ·基于BP网络的危险判定系统结构 | 第53页 |
| ·网络训练样本与训练结果 | 第53-54页 |
| ·结果检验 | 第54-55页 |
| ·基于BP神经网络碰撞危险度的模糊判定 | 第55-58页 |
| ·人工神经网络用于碰撞危险评价的多属性决策方法 | 第55页 |
| ·训练实例 | 第55-58页 |
| ·结论 | 第58-59页 |
| 第5章 全面考虑会遇势态因素的BP神经网络判定系统 | 第59-69页 |
| ·影响危险度判定的会遇势态因素的确定 | 第59-60页 |
| ·多因素危险度判定BP神经网络的设计 | 第60页 |
| ·输入、输出量选择 | 第60页 |
| ·隐层及隐层节点数设计 | 第60页 |
| ·全面考虑会遇势态因素的神经网络判定系统及仿真结果 | 第60-64页 |
| ·直接输入相关因素的神经网络判定系统设计 | 第60-61页 |
| ·仿真结果 | 第61-64页 |
| ·基于神经网络考虑多因素的碰撞危险度模糊判定 | 第64-68页 |
| ·神经网络的输入确定 | 第64页 |
| ·神经网络结构设计 | 第64页 |
| ·对训练BP网络仿真及误差分析 | 第64-68页 |
| ·结论 | 第68-69页 |
| 第6章 采用人工神经网络优化碰撞危险度模糊系统 | 第69-77页 |
| ·船舶碰撞危险的自适应神经网络-模糊推理方法 | 第69-72页 |
| ·模糊推理模型 | 第69页 |
| ·基于自适应神经网络的模糊推理系统ANFIS | 第69-71页 |
| ·基于神经网络的模糊推理系统的模拟训练 | 第71-72页 |
| ·用BP神经网络优化带参数的碰撞危险度糢糊系统 | 第72-75页 |
| ·相关参数 | 第72-73页 |
| ·利用神经网络判定D_O和D_M | 第73-74页 |
| ·应用 | 第74-75页 |
| ·结论 | 第75-77页 |
| 结论与展望 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 致谢 | 第82-83页 |
| 附录A(攻读学位期间所发表的学术论文目录) | 第83页 |
