| 提要 | 第1-8页 |
| 第1章 绪论 | 第8-12页 |
| ·背景及选题意义 | 第8-9页 |
| ·RBF 神经网络研究现状 | 第9-10页 |
| ·本文的主要工作 | 第10-12页 |
| 第2章 RBF 神经网络算法 | 第12-20页 |
| ·人工神经网络概述 | 第12-16页 |
| ·基本神经元结构 | 第12-13页 |
| ·人工神经网络的结构与类型 | 第13-14页 |
| ·人工神经网络的学习与训练 | 第14-15页 |
| ·人工神经网络的特性 | 第15-16页 |
| ·径向基函数（RBF）神经网络概述 | 第16-20页 |
| ·RBF 网络模型和基本结构 | 第16-17页 |
| ·RBF 网络学习过程 | 第17-20页 |
| 第3章 两种改进的RBF 神经网络学习算法 | 第20-39页 |
| ·聚类算法简介 | 第20-24页 |
| ·聚类的定义 | 第20页 |
| ·聚类统计量 | 第20-21页 |
| ·常见的聚类方法 | 第21-22页 |
| ·减聚类算法 | 第22-23页 |
| ·K-means 算法 | 第23-24页 |
| ·动态聚类算法 | 第24-26页 |
| ·动态聚类算法简介 | 第24-26页 |
| ·动态聚类算法特性分析 | 第26页 |
| ·粒子群优化算法 | 第26-29页 |
| ·标准 PSO 算法概述 | 第26-28页 |
| ·几种改进的 PSO 算法 | 第28页 |
| ·粒子群优化算法特点 | 第28-29页 |
| ·第一种改进算法——DPSO 算法 | 第29-31页 |
| ·改进策略 | 第29页 |
| ·DPSO 算法流程 | 第29-31页 |
| ·第二种改进算法——DCPSO 算法 | 第31-34页 |
| ·改进策略 | 第31-32页 |
| ·DCPSO 算法流程 | 第32-34页 |
| ·仿真实验 | 第34-39页 |
| ·实验数据 | 第34-35页 |
| ·实验结果 | 第35-36页 |
| ·结果分析 | 第36-38页 |
| ·改进算法分析 | 第38-39页 |
| 第4章 改进算法在基于现金流量的财务预警分析中的应用 | 第39-50页 |
| ·现金流量及现金流量预测 | 第39-43页 |
| ·现金流量的概念及特性 | 第39-41页 |
| ·影响现金流量的因素 | 第41页 |
| ·现金流量预测的意义及方法 | 第41-43页 |
| ·企业财务预警分析 | 第43-44页 |
| ·财务危机与财务预警分析 | 第43页 |
| ·现金流预测在财务预警分析中的应用 | 第43-44页 |
| ·RBF 改进算法在现金流量预测中的应用 | 第44-50页 |
| ·样本的选取 | 第44-46页 |
| ·现金流量指标的确定 | 第46页 |
| ·预测模型流程 | 第46-47页 |
| ·数值结果及分析 | 第47-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
| 摘要 | 第56-59页 |
| ABSTRACT | 第59-61页 |