| 摘要 | 第1-3页 |
| Abstract | 第3-6页 |
| 引言 | 第6-7页 |
| 第一章 绪论 | 第7-12页 |
| ·神经网络技术的发展与现状 | 第7-10页 |
| ·本文的所做工作及内容安排 | 第10-12页 |
| 第二章 RBFNN基本理论概述 | 第12-20页 |
| ·RBFNN结构及其特点 | 第12-13页 |
| ·RBFNN的权值算法研究 | 第13-18页 |
| ·M-P伪逆算法 | 第14-15页 |
| ·递推最小二乘算法 | 第15-17页 |
| ·递推正交最小二乘法 | 第17-18页 |
| ·RBF神经网络的特点 | 第18-19页 |
| ·结束语 | 第19-20页 |
| 第三章 RBFNN的学习算法 | 第20-25页 |
| ·随即选取固定中心 | 第20-21页 |
| ·中心的自组织选择 | 第21-22页 |
| ·中心的监督选择 | 第22-23页 |
| ·基于进化优化方法 | 第23-24页 |
| ·基于混合优化策略 | 第24页 |
| ·结束语 | 第24-25页 |
| 第四章 蚁群算法描述 | 第25-36页 |
| ·基本蚁群算法的数学描述 | 第25-26页 |
| ·蚁群算法的特点 | 第26-29页 |
| ·人工蚂蚁系统与真实蚂蚁系统的比较: | 第26-27页 |
| ·蚁群算法的优点 | 第27-28页 |
| ·蚁群算法的缺点 | 第28-29页 |
| ·算法的改进 | 第29-32页 |
| ·状态转移概率公式的改进 | 第29页 |
| ·信息素更新策略的改进 | 第29-31页 |
| ·MMAS | 第31页 |
| ·蚁群优化算法: | 第31-32页 |
| ·蚁群算法的发展和研究应用现状 | 第32-35页 |
| ·结束语 | 第35-36页 |
| 第五章 基于蚁群聚类和裁剪方法的RBF神经网络优化算法 | 第36-42页 |
| ·蚁群聚类算法 | 第36-37页 |
| ·隐层单元结构的调整 | 第37-38页 |
| ·隐含层到输出层权值的调整 | 第38页 |
| ·基于蚁群算法和裁剪方法的RBF神经网络整体优化算法 | 第38-39页 |
| ·实验与讨论 | 第39-41页 |
| ·结束语 | 第41-42页 |
| 第六章 基于蚁群优化算法和最速下降法的RBF神经网络参数优化算法 | 第42-50页 |
| ·蚁群优化算法改进 | 第42-43页 |
| ·利用最速下降法调整网络参数 | 第43-44页 |
| ·权值计算 | 第44页 |
| ·RBF神经网络参数优化整体算法 | 第44-45页 |
| ·仿真实验 | 第45-49页 |
| ·结束语 | 第49-50页 |
| 第七章 总结和展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 攻读学位期间的研究成果 | 第55-56页 |
| 致谢 | 第56-58页 |
