| 中文摘要 | 第1-9页 |
| 英文摘要 | 第9-10页 |
| 第一章 概述 | 第10-20页 |
| 1．1 人工神经元网络简介 | 第10-11页 |
| 1．2 几种典型的神经元网络 | 第11-13页 |
| 1．3 RBF网络 | 第13-18页 |
| 1．3．1 RBF网络的结构与特点 | 第13-15页 |
| 1．3．2 RBF网络常见的学习方法 | 第15-18页 |
| 1．3．2．1 BP算法 | 第15-16页 |
| 1．3．2．2 最小二乘回归方法 | 第16-18页 |
| 1．3．2．3 k-means聚类方法 | 第18页 |
| 1．4 本文的研究内容 | 第18-19页 |
| 1．5 本章小结 | 第19-20页 |
| 第二章 采用BP算法的RBF网络 | 第20-30页 |
| 2．1 采用BP算法确定RBF网络的连接权 | 第20-21页 |
| 2．2 采用BP算法的RBF网络的数值仿真实例 | 第21-23页 |
| 2．3 改进的BP算法 | 第23-25页 |
| 2．3．1 附加动量因子 | 第23-24页 |
| 2．3．2 Kalman滤波的方法对于BP算法的改进 | 第24-25页 |
| 2．4 实际应用实例 | 第25-28页 |
| 2．5 本章小结 | 第28-30页 |
| 第三章 采用主成分回归和偏最小二乘回归方法的RBF网络 | 第30-53页 |
| 3．1 主成分回归 | 第30-36页 |
| 3．1．1 预备知识 | 第31-32页 |
| 3．1．2 主成分回归的主要思想 | 第32-33页 |
| 3．1．3 主成分回归的计算步骤 | 第33-34页 |
| 3．1．4 采用主成分回归的方法RBF网络以及仿真实例 | 第34-36页 |
| 3．2 偏最小二乘回归 | 第36-44页 |
| 3．2．1 偏最小二乘回归的主要思想 | 第37-38页 |
| 3．2．2 偏最小二乘回归的主要算法 | 第38-42页 |
| 3．2．2．1 H（?）skuldsson步进计算算法 | 第38-39页 |
| 3．2．2．2 迭代算法 | 第39-40页 |
| 3．2．2．3 NIPALS算法 | 第40-42页 |
| 3．2．3 偏最小二乘回归的特点 | 第42页 |
| 3．2．4 采用偏最小二乘回归的RBF网络以及仿真实例 | 第42-44页 |
| 3．3 RBF-PLS-Bayes模型 | 第44-52页 |
| 3．3．1 判别分析与Bayes判别方法 | 第44-45页 |
| 3．3．2 两种化学模式分类问题 | 第45页 |
| 3．3．3 定量构效关系 | 第45-46页 |
| 3．3．4 RBF-PLS-Bayes模型及其在两种分类问题上的应用 | 第46-52页 |
| 3．3．4．1 RBF-PLS-Bayes模型的提出 | 第46-47页 |
| 3．3．4．2 对于两类化学模式分类的实际问题的模型建立 | 第47-48页 |
| 3．3．4．3 结果分析与比较 | 第48-52页 |
| 3．4 本章小结 | 第52-53页 |
| 第四章 采用遗传算法的RBF网络 | 第53-66页 |
| 4．1 遗传算法 | 第53-56页 |
| 4．1．1 遗传算法简介 | 第53-55页 |
| 4．1．2 遗传算法的几个主要问题 | 第55-56页 |
| 4．2 遗传算法与RBF网络 | 第56-57页 |
| 4．3 采用遗传算法确定RBF网络的连接权 | 第57-60页 |
| 4．3．1 权值的编码和解码 | 第57页 |
| 4．3．2 算法流程 | 第57-58页 |
| 4．3．3 在原油实沸点问题上的实际应用 | 第58-60页 |
| 4．4 基于遗传聚类的RBF-PLSR模型 | 第60-65页 |
| 4．4．1 聚类分析 | 第60-61页 |
| 4．4．2 遗传聚类方法 | 第61-62页 |
| 4．4．3 采用遗传聚类的RBF-PLSR方法来胺类毒性问题进行定量预报 | 第62-64页 |
| 4．4．4 结果的比较与分析 | 第64-65页 |
| 4．5 本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-70页 |
| 5．1 全文总结 | 第66-68页 |
| 5．2 今后的研究展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |
