| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题研究的背景及意义 | 第8-10页 |
| 1.2 本文主要内容与工作成果 | 第10页 |
| 1.3 本文的组织结构 | 第10-11页 |
| 1.4 本章小结 | 第11-12页 |
| 第二章 权函数神经网络和算法复杂度的背景知识介绍 | 第12-28页 |
| 2.1 人工神经网络相关知识 | 第12-20页 |
| 2.1.1 人工神经网络概述 | 第12-13页 |
| 2.1.2 神经元模型 | 第13-14页 |
| 2.1.3 神经网络的拓扑结构 | 第14-15页 |
| 2.1.4 神经网络的学习规则 | 第15-16页 |
| 2.1.5 两种神经网络算法 | 第16-20页 |
| 2.2 第二类样条权函数神经网络 | 第20-25页 |
| 2.2.1 第二类样条权函数神经网络基础 | 第20-23页 |
| 2.2.2 第二类样条权函数神经网络拓扑结构和训练算法 | 第23-25页 |
| 2.3 算法复杂度理论 | 第25-27页 |
| 2.3.1 时间复杂度 | 第26页 |
| 2.3.2 空间复杂度 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 有理样条高阶复合权函数神经网络的算法复杂度分析 | 第28-48页 |
| 3.1 有理样条高阶复合权函数 | 第28-32页 |
| 3.1.1 样条函数 | 第28页 |
| 3.1.2 有理样条插值函数 | 第28-30页 |
| 3.1.3 三次Hermite插值函数 | 第30页 |
| 3.1.4 有理样条高阶复合权函数的形式 | 第30-32页 |
| 3.1.5 有理样条高阶复合权函数神经网络的训练算法 | 第32页 |
| 3.2 有理样条高阶复合权函数神经网络算法的形状控制 | 第32-34页 |
| 3.3 复杂度分析 | 第34-39页 |
| 3.3.1 时间复杂度分析 | 第34-38页 |
| 3.3.2 与其他神经网络复杂度的对比 | 第38-39页 |
| 3.4 仿真实验 | 第39-47页 |
| 3.4.1 实验环境 | 第39-40页 |
| 3.4.2 实验过程与结果分析 | 第40-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 有理样条高阶复合权函数神经网络的应用 | 第48-55页 |
| 4.1 旅游预测发展的背景及现状 | 第48-49页 |
| 4.2 基于有理样条高阶复合权函数神经网络的国内旅游人数预测 | 第49-54页 |
| 4.2.1 数据来源与筛选 | 第49-50页 |
| 4.2.2 数据预处理 | 第50-51页 |
| 4.2.3 建立模型 | 第51页 |
| 4.2.4 仿真实验 | 第51-54页 |
| 4.3 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第60-61页 |
| 致谢 | 第61-62页 |
