基于神经网络的辛烷红外光谱数据分析
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 绪论 | 第11-12页 |
| 1.2 神经网络基本理论概述 | 第12-13页 |
| 1.3 人工神经网络概述 | 第13-17页 |
| 1.3.1 人工神经网络的转移函数 | 第14-16页 |
| 1.3.2 人工神经网络的训练算法 | 第16-17页 |
| 1.4 神经网络在光学领域的主要应用 | 第17-18页 |
| 1.4.1 光学神经网络 | 第17页 |
| 1.4.2 近红外光谱技术 | 第17-18页 |
| 1.5 论文的组织结构 | 第18-19页 |
| 第二章 BP和RBF神经网络模型 | 第19-29页 |
| 2.1 仿真平台概述 | 第19-20页 |
| 2.1.1 MATLAB软件平台介绍 | 第19页 |
| 2.1.2 MATLAB神经网络工具箱 | 第19-20页 |
| 2.2 BP神经网络模型 | 第20-23页 |
| 2.2.1 BP神经网络介绍 | 第20-21页 |
| 2.2.2 BP神经网络的训练与设计 | 第21-23页 |
| 2.3 RBF神经网络模型 | 第23-29页 |
| 2.3.1 RBF神经网络模型介绍 | 第23-25页 |
| 2.3.2 RBF神经网络的训练与设计 | 第25-29页 |
| 第三章 BP和RBF网络鲁棒性仿真分析研究 | 第29-45页 |
| 3.1 BP和RBF网络参数的设置 | 第29-33页 |
| 3.2 BP和RBF网络分析研究 | 第33-34页 |
| 3.3 BP和RBF鲁棒性分析 | 第34-45页 |
| 第四章 BP和RBF网络自学习能力仿真分析 | 第45-55页 |
| 4.1 BP和RBF神经网络自学习能力分析研究 | 第45-46页 |
| 4.2 BP和RBF自学习能力分析 | 第46-55页 |
| 第五章 BP和RBF网络拒伪能力仿真分析 | 第55-63页 |
| 5.1 BP和RBF网络模型拒伪能力分析研究 | 第55-56页 |
| 5.2 BP和RBF网络模型拒伪能力分析 | 第56-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 存在的问题及展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录 | 第69-77页 |
| 致谢 | 第77-78页 |
