| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 课题背景及研究意义 | 第11-13页 |
| 1.1.1 课题背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 RBF神经网络发展及研究现状 | 第13-17页 |
| 1.2.1 RBF神经网络发展简史 | 第13-14页 |
| 1.2.2 RBF神经网络结构设计研究现状 | 第14-17页 |
| 1.3 粒子群算法研究现状 | 第17-21页 |
| 1.3.1 单目标粒子群算法研究现状 | 第17-19页 |
| 1.3.2 多目标粒子群算法研究现状 | 第19-21页 |
| 1.4 课题来源 | 第21页 |
| 1.5 研究内容及论文安排 | 第21-23页 |
| 第2章 基于APSO的RBF神经网络优化设计 | 第23-39页 |
| 2.1 RBF神经网络 | 第23-24页 |
| 2.2 RBF神经网络参数优化 | 第24-27页 |
| 2.2.1 优化算法 | 第25-26页 |
| 2.2.2 参数优化 | 第26-27页 |
| 2.3 APSO算法 | 第27-34页 |
| 2.3.1 PSO算法基本概念 | 第27-28页 |
| 2.3.2 改进PSO算法 | 第28-30页 |
| 2.3.3 APSO算法 | 第30-32页 |
| 2.3.4 仿真结果 | 第32-34页 |
| 2.4 基于APSO的RBF神经网络 | 第34-38页 |
| 2.4.1 基于APSO的RBF神经网络 | 第34-35页 |
| 2.4.2 仿真研究 | 第35-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第3章 APSO-SORBF神经网络设计及应用 | 第39-53页 |
| 3.1 自组织RBF神经网络 | 第39页 |
| 3.2 基于APSO的自组织RBF神经网络 | 第39-47页 |
| 3.2.1 基于APSO的RBF神经网络结构优化设计 | 第39-42页 |
| 3.2.2 收敛性分析 | 第42-47页 |
| 3.3 APSO-SORBF神经网络仿真及应用 | 第47-52页 |
| 3.3.1 Mackey-Glass时序预测 | 第47-49页 |
| 3.3.2 非线性系统建模 | 第49-50页 |
| 3.3.3 总磷软测量 | 第50-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第4章 自适应多目标梯度PSO算法 | 第53-73页 |
| 4.1 多目标优化问题 | 第53-54页 |
| 4.2 多目标PSO算法 | 第54-56页 |
| 4.2.1 档案库策略 | 第55页 |
| 4.2.2 最优解选择 | 第55-56页 |
| 4.2.3 多目标粒子群算法流程 | 第56页 |
| 4.3 自适应多目标梯度PSO算法 | 第56-65页 |
| 4.3.1 多目标梯度算法 | 第57-58页 |
| 4.3.2 知识库删减策略 | 第58-59页 |
| 4.3.3 自适应飞行参数调整 | 第59-61页 |
| 4.3.4 收敛性分析 | 第61-65页 |
| 4.4 仿真分析 | 第65-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第5章 基于AGMOPSO的自组织RBF神经网络 | 第73-81页 |
| 5.1 RBF神经网络泛化能力分析 | 第73-74页 |
| 5.1.1 神经网络结构复杂度 | 第73页 |
| 5.1.2 神经网络训练精度 | 第73-74页 |
| 5.1.3 输出连接权值 | 第74页 |
| 5.2 AGMOPSO-SORBF神经网络 | 第74-77页 |
| 5.3 AGMOPSO-SORBF仿真及应用 | 第77-80页 |
| 5.3.1 Mackey-Glass时序预测 | 第77-78页 |
| 5.3.2 非线性系统建模 | 第78-79页 |
| 5.3.3 污水水质BOD预测 | 第79-80页 |
| 5.4 本章小结 | 第80-81页 |
| 结论与展望 | 第81-83页 |
| 参考文献 | 第83-90页 |
| 攻读硕士学位期间的成果 | 第90页 |
| 攻读硕士学位期间所获奖励 | 第90-91页 |
| 致谢 | 第91页 |