| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-13页 |
| ·研究背景 | 第8-11页 |
| ·人工神经网络简介 | 第8页 |
| ·人工神经网络发展历史 | 第8-9页 |
| ·人工神经网络研究内容 | 第9页 |
| ·BP算法的研究现状 | 第9-11页 |
| ·研究内容 | 第11-12页 |
| ·研究意义 | 第12-13页 |
| 2 BP神经网络概述 | 第13-23页 |
| ·人工神经网络基础知识 | 第13-15页 |
| ·生物神经元模型 | 第13页 |
| ·神经网络模型 | 第13-14页 |
| ·神经网络结构 | 第14-15页 |
| ·神经网络的学习 | 第15页 |
| ·BP神经网络 | 第15-21页 |
| ·BP神经网络的定义、特点及应用 | 第15-16页 |
| ·BP神经网络结构 | 第16-18页 |
| ·BP算法的推导过程 | 第18-20页 |
| ·BP算法的步骤 | 第20-21页 |
| ·BP算法的流程图 | 第21页 |
| ·BP神经网络的性能分析 | 第21-22页 |
| ·BP神经网络的主要缺陷 | 第21-22页 |
| ·BP神经网络存在缺陷的原因分析 | 第22页 |
| ·本章小结 | 第22-23页 |
| 3 遗传算法概述 | 第23-30页 |
| ·遗传算法简介 | 第23页 |
| ·遗传算法的运算过程 | 第23-24页 |
| ·遗传算法的构成要素 | 第24页 |
| ·遗传算法的实现技术 | 第24-29页 |
| ·遗传算法的特点及优越性 | 第29页 |
| ·本章小结 | 第29-30页 |
| 4 粒子群算法概述 | 第30-35页 |
| ·群智能简介 | 第30页 |
| ·粒子群算法的基本原理 | 第30-31页 |
| ·粒子群算法的数学描述 | 第31-32页 |
| ·粒子群算法的执行流程 | 第32页 |
| ·粒子群算法的改进 | 第32-33页 |
| ·惯性权重(Intertia Weigh)改进算法 | 第32-33页 |
| ·收缩因子(Constriction Factor)改进算法 | 第33页 |
| ·粒子群算法与其他进化算法的比较 | 第33-34页 |
| ·相似点 | 第33-34页 |
| ·不同点 | 第34页 |
| ·本章小结 | 第34-35页 |
| 5 复杂样本分类的FAGABPNN算法 | 第35-40页 |
| ·引言 | 第35页 |
| ·因子分析法 | 第35-36页 |
| ·用遗传算法改进BP算法 | 第36-38页 |
| ·FAGABPNN算法的步骤 | 第38页 |
| ·仿真分析 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 6 IAPSOBPNN组合训练算法 | 第40-50页 |
| ·引言 | 第40-41页 |
| ·IAPSOBPNN组合训练算法 | 第41-44页 |
| ·IAPSOBPNN组合训练算法设计方法 | 第41-43页 |
| ·IAPSOBPNN组合训练算法的步骤 | 第43-44页 |
| ·仿真分析 | 第44-49页 |
| ·非线性函数逼近 | 第44-47页 |
| ·股价预测 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 7 总结与展望 | 第50-52页 |
| ·论文的主要工作总结 | 第50-51页 |
| ·进一步的工作 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 附: 作者在攻读硕士学位期间发表的论文目录 | 第56-57页 |
| 致谢 | 第57-58页 |