RBF神经网络在γ能谱平滑中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 引言 | 第8-9页 |
| 1.2 选题的目的和意义 | 第9页 |
| 1.3 国内外发展历史及现状 | 第9-12页 |
| 1.4 本文的主要工作 | 第12-13页 |
| 1.5 本文框架安排 | 第13-14页 |
| 2 γ能谱数据获取及特征 | 第14-22页 |
| 2.1 γ能谱数据获取 | 第14-16页 |
| 2.1.1 核辐射探测器 | 第14-15页 |
| 2.1.2 核辐射探测器分类 | 第15-16页 |
| 2.2 γ能谱特征 | 第16-21页 |
| 2.2.1 γ射线与物质的相互作用 | 第16-18页 |
| 2.2.2 计数的统计分布 | 第18-19页 |
| 2.2.3 脉冲堆积效应 | 第19-20页 |
| 2.2.4 其他效应 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 3 RBFNN基本理论 | 第22-32页 |
| 3.1 径向基函数神经网络（RBFNN） | 第22-24页 |
| 3.1.1 RBFNN结构 | 第22-24页 |
| 3.1.2 RBF工作原理 | 第24页 |
| 3.2 RBF神经网络函数逼近 | 第24-26页 |
| 3.2.1 多元连续函数的一元函数复合表示问题 | 第24页 |
| 3.2.2 人工神经网络的逼近 | 第24-26页 |
| 3.3 RBF神经网络设计 | 第26-30页 |
| 3.3.1 基于K-means聚类算法 | 第26-27页 |
| 3.3.2 基于正交最小二乘的RBF网络设计算法 | 第27-30页 |
| 3.4 本章小结 | 第30-32页 |
| 4 RBF神经网络参数优化 | 第32-38页 |
| 4.1 粒子群算法简介 | 第32页 |
| 4.2 对RBF神经网络参数寻优过程 | 第32-34页 |
| 4.3 仿真举例 | 第34-36页 |
| 4.4 本章小结 | 第36-38页 |
| 5 RBF神经网络在γ能谱平滑应用 | 第38-48页 |
| 5.1 多项式最小二乘法 | 第38-41页 |
| 5.2 利用RBF神经网络对γ能谱平滑 | 第41-47页 |
| 5.2.1 RBF神经网络对能谱的平滑处理 | 第41-47页 |
| 5.3 本章小结 | 第47-48页 |
| 6 结论与展望 | 第48-50页 |
| 参考文献 | 第50-52页 |
| 致谢 | 第52页 |
