蚁群算法与小波网络在复杂性科学中的应用研究
中文摘要 | 第1-4页 |
ABSTRACT | 第4-9页 |
第一章 绪论 | 第9-21页 |
·研究背景与问题的提出 | 第9-13页 |
·研究背景 | 第9-11页 |
·问题的提出 | 第11-13页 |
·研究目标、研究内容与研究意义 | 第13-15页 |
·研究目标 | 第13-14页 |
·研究内容 | 第14页 |
·研究意义 | 第14-15页 |
·研究方法和技术路线 | 第15-18页 |
·研究方法 | 第15-17页 |
·技术路线及建模仿真方法 | 第17-18页 |
·论文的主要工作与创新点 | 第18-20页 |
·论文的章节安排 | 第20-21页 |
第二章 群集智能中的蚁群算法理论 | 第21-56页 |
·群集智能及其基本特性分析 | 第21-23页 |
·群集智能中的蚁群算法 | 第23-30页 |
·真实蚂蚁的觅食现象 | 第23-24页 |
·基本蚁群算法 | 第24-27页 |
·蚁群算法的改进 | 第27-30页 |
·蚁群优化元启发算法框架 | 第30-48页 |
·元启发式搜索算法的基本理论 | 第30-33页 |
·基于蚁群优化的元启发框架 | 第33-35页 |
·蚁群优化元启发框架中的自组织性及其反馈特性分析 | 第35-37页 |
·蚁群算法元启发框架下的收敛性分析 | 第37-48页 |
·基于图搜索蚂蚁系统的收敛性分析 | 第38-44页 |
·蚁群优化算法的收敛性分析 | 第44-48页 |
·蚁群算法中的参数优化设置 | 第48-55页 |
·正交试验设计方法 | 第49-51页 |
·基于正交试验法的蚁群算法参数设置方法 | 第51-52页 |
·仿真试验及其结果分析 | 第52-55页 |
·本章小结 | 第55-56页 |
第三章 元启发框架下蚁群算法的改进 | 第56-71页 |
·遗传算法与蚁群算法的融合 | 第56-60页 |
·基本遗传蚁群算法 | 第57-58页 |
·基本遗传蚁群算法的收敛性证明 | 第58-60页 |
·基本遗传蚁群算法的改进 | 第60-64页 |
·遗传蚁群算法模型中的遗传算法改进策略 | 第60-63页 |
·遗传蚁群算法模型中的信息素更新机制的改进策略 | 第63-64页 |
·基于遗传蚁群算法的植物病斑检测 | 第64-68页 |
·仿真实验及结果分析 | 第68-69页 |
·本章小结 | 第69-71页 |
第四章 基于蚁群优化的小波网络 | 第71-99页 |
·小波网络概述 | 第71-72页 |
·小波分析理论 | 第72-78页 |
·小波分析的基本原理 | 第73-76页 |
·小波分解重构算法 | 第76-77页 |
·小波包算法 | 第77-78页 |
·BP 神经网络的基本原理 | 第78-81页 |
·传统小波网络的基本模型 | 第81-83页 |
·蚁群算法优化的小波网络模型 | 第83-96页 |
·小波函数及其选择原则 | 第83-89页 |
·小波网络的参数初始化 | 第89-92页 |
·小波网络的隐层节点数的设计 | 第92-94页 |
·基于蚁群算法的小波网络学习算法研究 | 第94-96页 |
·基于改进型小波网络的故障模式识别模型 | 第96页 |
·仿真实验及结果分析 | 第96-98页 |
·本章小结 | 第98-99页 |
第五章 基于改进型小波网络的信息融合模型 | 第99-121页 |
·数据缺失机制及其处理方法 | 第99-105页 |
·数据缺失机制 | 第100-101页 |
·缺失数据的常用处理方法 | 第101-104页 |
·期望最大化似然估计在缺失数据处理中的应用 | 第104-105页 |
·基于小波网络的特征级信息融合 | 第105-108页 |
·决策级信息融合模型的构建 | 第108-115页 |
·D-S 证据理论的基本概念 | 第110-111页 |
·D-S 证据理论的组合规则 | 第111-112页 |
·D-S 证据理论的推理决策 | 第112-113页 |
·基于小波网络与证据理论的决策级信息融合模型 | 第113-115页 |
·仿真试验及结果分析 | 第115-120页 |
·本章小结 | 第120-121页 |
第六章 结论与展望 | 第121-124页 |
·本文工作的总结 | 第121-122页 |
·本文工作的展望 | 第122-124页 |
参考文献 | 第124-133页 |
发表论文和参加科研情况说明 | 第133-134页 |
致谢 | 第134页 |