基于遗传神经网络的民用航空器SDR预测
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-17页 |
| ·课题研究背景及意义 | 第10页 |
| ·SDR 系统概述 | 第10-12页 |
| ·SDR 预测方法述评 | 第12-15页 |
| ·时间序列预测法 | 第13-14页 |
| ·马尔可夫预测法 | 第14页 |
| ·灰色系统预测法 | 第14页 |
| ·神经网络预测法 | 第14-15页 |
| ·论文主要工作内容 | 第15-17页 |
| 第二章 人工神经网络及BP 算法 | 第17-36页 |
| ·神经网络的发展史 | 第17-19页 |
| ·人工神经网络模型 | 第19-27页 |
| ·生物神经元 | 第19-21页 |
| ·人工神经网络基本模型 | 第21-25页 |
| ·神经网络的学习规则 | 第25页 |
| ·神经网络的互联模式 | 第25-27页 |
| ·神经网络的特性及实现 | 第27页 |
| ·神经网络的应用 | 第27-28页 |
| ·BP 神经网络 | 第28-36页 |
| ·概述 | 第28-29页 |
| ·BP 神经网络结构 | 第29页 |
| ·BP 算法的数学描述 | 第29-33页 |
| ·BP 神经网络的主要优缺点 | 第33-34页 |
| ·BP 算法常用的改进方法 | 第34-36页 |
| 第三章 基于BP 神经网络的SDR 预测模型 | 第36-46页 |
| ·应用软件MATLAB 简介 | 第36-37页 |
| ·MATLAB 神经网络工具箱 | 第37-41页 |
| ·BP 网络创建函数 | 第38-39页 |
| ·神经元上的传递函数 | 第39页 |
| ·BP 网络学习函数 | 第39-40页 |
| ·BP 网络训练函数 | 第40-41页 |
| ·样本数据及处理策略 | 第41-42页 |
| ·样本数据的基本要求 | 第41-42页 |
| ·样本数据的来源 | 第42页 |
| ·样本数据的预处理 | 第42页 |
| ·基于改进BP 算法的SDR 预测模型 | 第42-46页 |
| ·网络模型和样本设计 | 第42-43页 |
| ·网络参数设计 | 第43-44页 |
| ·仿真结果及分析 | 第44-46页 |
| 第四章 遗传算法 | 第46-55页 |
| ·遗传算法基本理论 | 第46-50页 |
| ·遗传算法的发展过程 | 第46-48页 |
| ·标准遗传算法概述 | 第48-50页 |
| ·遗传算法的数学基础 | 第50-52页 |
| ·标准遗传算法的局限性 | 第52-53页 |
| ·遗传算法的应用 | 第53-54页 |
| ·MATLAB 遗传算法工具箱 | 第54-55页 |
| 第五章 遗传算法与神经网络的结合 | 第55-65页 |
| ·遗传算法优化神经网络 | 第55-57页 |
| ·遗传算法优化神经网络的连接权 | 第55-56页 |
| ·遗传算法优化神经网络的拓扑结构 | 第56页 |
| ·遗传算法优化神经网络的学习规则 | 第56-57页 |
| ·优化的基本思想及编码描述 | 第57-58页 |
| ·基于遗传神经网络的SDR 预测模型 | 第58-65页 |
| ·BP 神经网络结构的确定 | 第58页 |
| ·遗传BP 神经网络算法 | 第58-60页 |
| ·网络模型建立和预测实现 | 第60-64页 |
| ·遗传BP 网络模型与BP 网络模型比较 | 第64-65页 |
| 第六章 结论与展望 | 第65-66页 |
| ·结论 | 第65页 |
| ·展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 在学期间的研究成果及发表的学术论文 | 第70页 |
