基于改进QPSO_RBFNN法在形变预测中的应用研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 变形预测常用模型简述 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 PSO算法的研究现状 | 第12-14页 |
| 1.3.2 RBF神经网络的研究现状 | 第14-15页 |
| 1.4 主要研究内容与技术路线 | 第15-17页 |
| 第2章 理论基础 | 第17-26页 |
| 2.1 RBF神经网络技术 | 第17-20页 |
| 2.1.1 RBF神经网络原理分析 | 第17-18页 |
| 2.1.2 RBF神经网络模型 | 第18-19页 |
| 2.1.3 RBF神经网络性能分析 | 第19-20页 |
| 2.2 粒子群（PSO）算法 | 第20-25页 |
| 2.2.1 PSO算法概况 | 第20-21页 |
| 2.2.2 PSO算法原理 | 第21-24页 |
| 2.2.3 PSO算法性能分析 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 粒子群算法的改进研究 | 第26-41页 |
| 3.1 QPSO算法 | 第26-31页 |
| 3.1.1 思想来源 | 第26-27页 |
| 3.1.2 算法原理 | 第27-29页 |
| 3.1.3 算法流程 | 第29-31页 |
| 3.2 改进的量子粒子群算法 | 第31-36页 |
| 3.2.1 基于混合概率分布的QPSO算法 | 第31-32页 |
| 3.2.2 惯性权重变异操作 | 第32-34页 |
| 3.2.3 算法流程 | 第34-36页 |
| 3.3 标准函数测试 | 第36-40页 |
| 3.3.1 测试函数 | 第36-39页 |
| 3.3.2 测试结果分析 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于改进QPSO_RBFNN算法的研究 | 第41-48页 |
| 4.1 可行性分析 | 第41页 |
| 4.2 算法的初始化研究 | 第41-42页 |
| 4.3 改进QPSO_RBF模型的建立 | 第42-47页 |
| 4.3.1 QPSO_RBF模型的建立 | 第42-45页 |
| 4.3.2 改进QPSO_RBF模型的建立 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 基于改进QPSO_RBFNN算法的应用 | 第48-66页 |
| 5.1 工程简介 | 第48-51页 |
| 5.2 基本参数设置 | 第51-53页 |
| 5.2.1 模型精度评价指标 | 第51页 |
| 5.2.2 样本数据构造方法 | 第51-53页 |
| 5.3 RBF神经网络结构的确定 | 第53-54页 |
| 5.4 实验步骤 | 第54-55页 |
| 5.5 实验分析 | 第55-65页 |
| 5.5.1 PSO_RBF神经网络预测 | 第55-58页 |
| 5.5.2 QPSO_RBF神经网络预测 | 第58-60页 |
| 5.5.3 WG-QPSO_RBF神经网络预测 | 第60-62页 |
| 5.5.4 综合对比 | 第62-65页 |
| 5.6 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读学位期间取得学术成果 | 第73页 |
