| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 研究意义 | 第12页 |
| 1.3 本领域的研究现状 | 第12-14页 |
| 1.4 本文的工作 | 第14页 |
| 1.5 论文组织结构 | 第14-15页 |
| 2 流量矩阵估计方法及神经网络 | 第15-31页 |
| 2.1 流量矩阵估计模型 | 第15页 |
| 2.2 流量矩阵的间接测量方法 | 第15-21页 |
| 2.2.1 无先验方法 | 第16-17页 |
| 2.2.2 基于统计分布模型的估计方法 | 第17-18页 |
| 2.2.3 基于空间分布模型的估计方法 | 第18-21页 |
| 2.3 神经网络 | 第21-25页 |
| 2.3.1 人工神经网络简介 | 第21-23页 |
| 2.3.2 神经网络的学习算法 | 第23-25页 |
| 2.4 高阶神经网络 | 第25-28页 |
| 2.5 化学反应优化算法 | 第28-30页 |
| 2.5.1 CRO原理 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 3 基于化学反应优化的高阶神经网络算法 | 第31-37页 |
| 3.1 扩展的Pi-Sigma神经网络 | 第31-32页 |
| 3.2 CRO的基本反应 | 第32-35页 |
| 3.3 CRO高阶神经网络算法(CRO-PSNN) | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 CRO-PSNN在TM估计中的应用 | 第37-43页 |
| 4.1 TM估计的CRP-PSNN | 第37-40页 |
| 4.2 TM估计中的CRO基本反应 | 第40-42页 |
| 4.3 本章小结 | 第42-43页 |
| 5 仿真结果 | 第43-51页 |
| 5.1 TomoGravity介绍 | 第43-44页 |
| 5.2 仿真环境及实验数据 | 第44-46页 |
| 5.3 结果对比分析 | 第46-50页 |
| 5.4 本章小结 | 第50-51页 |
| 6 总结与展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 在校期间发表的论文、科研成果等 | 第57-58页 |
| 致谢 | 第58页 |