| 中文摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-13页 |
| ·研究的主要背景 | 第8-9页 |
| ·研究的现实意义 | 第9页 |
| ·研究的主要方法 | 第9-11页 |
| ·指数平滑法 | 第9页 |
| ·时间序列法 | 第9-10页 |
| ·灰色系统法 | 第10页 |
| ·专家系统法 | 第10页 |
| ·小波分析法 | 第10-11页 |
| ·目前的研究现状 | 第11-12页 |
| ·研究内容及构成 | 第12-13页 |
| 第2章 神经网络基础知识 | 第13-23页 |
| ·神经网络发展简史 | 第13-14页 |
| ·初期阶段 | 第13页 |
| ·低潮阶段 | 第13页 |
| ·黄金阶段 | 第13-14页 |
| ·神经网络模型 | 第14-16页 |
| ·生物神经元 | 第14-15页 |
| ·人工神经元 | 第15-16页 |
| ·神经网络结构 | 第16-18页 |
| ·单纯的前向网络 | 第17页 |
| ·具有反馈的前向网络 | 第17页 |
| ·层内互联的前向网络 | 第17-18页 |
| ·相互连接型网络 | 第18页 |
| ·神经网络学习 | 第18-21页 |
| ·学习方式 | 第18-19页 |
| ·学习规则 | 第19-21页 |
| ·神经网络主要特性 | 第21-22页 |
| ·本章小节 | 第22-23页 |
| 第3章 基于改进的BP神经网络的预测研究 | 第23-38页 |
| ·BP神经网络概述 | 第23-32页 |
| ·BP神经网络基本概念 | 第23页 |
| ·BP神经网络基本模型及其原理 | 第23-31页 |
| ·BP神经网络优缺点 | 第31-32页 |
| ·BP神经网络的传统改进算法 | 第32-33页 |
| ·消除样本输入顺序影响的改进算法 | 第32-33页 |
| ·使用弹性方法的改进算法 | 第33页 |
| ·基于共扼梯度法的改进算法 | 第33页 |
| ·基于不同原理的BP神经网络改进算法 | 第33-36页 |
| ·动量—自适应学习速率算法 | 第33-35页 |
| ·基于Levenberg-Marquardt的改进算法 | 第35-36页 |
| ·本章小结 | 第36-38页 |
| 第四章 改进的BP算法在军用油料消耗预测中的MATLAB实现 | 第38-51页 |
| ·MATLAB神经网络工具箱函数 | 第38-42页 |
| ·BP神经网络的创建函数 | 第38-39页 |
| ·BP神经网络的初始化函数 | 第39页 |
| ·神经元上的传递函数 | 第39-40页 |
| ·BP神经网络的训练函数 | 第40-42页 |
| ·神经网络的仿真函数 | 第42页 |
| ·BP神经网络的结构设计 | 第42-44页 |
| ·网络层数 | 第42-43页 |
| ·各层神经元数 | 第43页 |
| ·初始值 | 第43页 |
| ·传递函数 | 第43-44页 |
| ·学习速率 | 第44页 |
| ·期望误差 | 第44页 |
| ·利用BP神经网络进行预测的基本步骤 | 第44-45页 |
| ·兰州地区军用油料消耗预测的建模 | 第45-46页 |
| ·输入输出数据的选取 | 第45-46页 |
| ·初始参数的选取 | 第46页 |
| ·数据的归一化处理 | 第46页 |
| ·隐含层神经元的选取 | 第46页 |
| ·两种改进的学习算法仿真结果的分析与比较 | 第46-49页 |
| ·动量—自适应学习算法的仿真结果 | 第46-48页 |
| ·L-M学习算法的仿真结果 | 第48-49页 |
| ·两种学习算法的分析对比 | 第49页 |
| ·本章小结 | 第49-51页 |
| 第五章 结论 | 第51-53页 |
| ·主要结论 | 第51-52页 |
| ·研究展望 | 第52-53页 |
| 参考文献 | 第53-54页 |
| 致谢 | 第54页 |