| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.3 研究意义 | 第14页 |
| 1.4 研究内容 | 第14页 |
| 1.5 论文结构安排 | 第14-16页 |
| 第2章 人工神经网络模型 | 第16-31页 |
| 2.1 人工神经网络基础 | 第16-20页 |
| 2.1.1 人工神经元的结构 | 第16-17页 |
| 2.1.2 人工神经元的激活函数 | 第17-20页 |
| 2.1.3 M-P模型 | 第20页 |
| 2.2 神经网络的拓扑结构 | 第20-21页 |
| 2.3 神经网络的学习 | 第21-23页 |
| 2.3.1 无导师学习 | 第21页 |
| 2.3.2 有导师学习 | 第21-23页 |
| 2.4 BP神经网络 | 第23-29页 |
| 2.4.1 BP神经网络模型 | 第23-24页 |
| 2.4.2 标准BP学习算法 | 第24-27页 |
| 2.4.3 BP神经网络的设计 | 第27-28页 |
| 2.4.4 BP神经网络的限制与不足 | 第28-29页 |
| 2.5 BP学习算法的优化 | 第29-30页 |
| 2.5.1 附加动量法 | 第29页 |
| 2.5.2 自适应学习速率法 | 第29-30页 |
| 2.5.3 弹性BP算法 | 第30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 模糊理论基础 | 第31-40页 |
| 3.1 模糊集合与隶属函数 | 第31-35页 |
| 3.1.1 模糊集合的定义与表示 | 第31-32页 |
| 3.1.2 常用隶属函数 | 第32-33页 |
| 3.1.3 模糊集合的运算 | 第33-34页 |
| 3.1.4 h-水平截集 | 第34-35页 |
| 3.2 模糊关系及其合成运算 | 第35页 |
| 3.3 模糊语言 | 第35-36页 |
| 3.4 模糊化方法 | 第36-38页 |
| 3.4.1 精确量离散化 | 第36-38页 |
| 3.4.2 单值模糊化方法 | 第38页 |
| 3.5 解模糊化方法 | 第38-39页 |
| 3.5.1 质心法 | 第38-39页 |
| 3.5.2 最大隶属度法 | 第39页 |
| 3.5.3 系数加权平均法 | 第39页 |
| 3.5.4 隶属度限幅元素平均法 | 第39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 基于模糊理论的GA-BP神经网络 | 第40-52页 |
| 4.1 遗传算法 | 第40-46页 |
| 4.1.1 遗传算法的基础概念 | 第40-41页 |
| 4.1.2 遗传算法优化BP神经网络 | 第41-46页 |
| 4.2 算数模糊神经网络 | 第46-51页 |
| 4.2.1 网络结构 | 第46-47页 |
| 4.2.2 模糊化层的设计 | 第47-49页 |
| 4.2.3 解模糊化层的设计 | 第49-51页 |
| 4.3 基于模糊理论的BP与GA混合算法 | 第51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 算法实现与实例分析 | 第52-67页 |
| 5.1 算法实现的关键技术 | 第52-54页 |
| 5.1.1 可视化编程 | 第52-53页 |
| 5.1.2 NPOI类库 | 第53页 |
| 5.1.3 AForge类库 | 第53页 |
| 5.1.4 ZedGraph类库 | 第53-54页 |
| 5.2 算法实现程序简介 | 第54-56页 |
| 5.2.1 数据处理模块 | 第54-55页 |
| 5.2.2 算法实现模块 | 第55-56页 |
| 5.3 实例分析一BP与GA-BP在函数拟合的应用 | 第56-60页 |
| 5.3.1 原始数据 | 第56页 |
| 5.3.2 学习参数设置 | 第56-57页 |
| 5.3.3 结果输出与分析 | 第57-60页 |
| 5.4 实例分析二混合算法在空气质量评级中的应用 | 第60-66页 |
| 5.4.1 实例研究意义 | 第60-61页 |
| 5.4.2 数据来源 | 第61-62页 |
| 5.4.3 数据模糊化处理 | 第62-64页 |
| 5.4.4 GA-BP神经网络计算 | 第64页 |
| 5.4.5 结果分析 | 第64-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 个人简历 | 第73页 |