| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 RBF神经网络研究现状 | 第10-12页 |
| 1.2.2 量子粒子群算法研究现状 | 第12-14页 |
| 1.3 主要研究内容及结构安排 | 第14-16页 |
| 第二章 量子粒子群优化算法及其改进 | 第16-27页 |
| 2.1 智能优化算法简介 | 第16页 |
| 2.2 粒子群优化算法简述 | 第16-18页 |
| 2.3 量子粒子群算法 | 第18-23页 |
| 2.3.1 QPSO算法 | 第18-19页 |
| 2.3.2 AQPSO算法 | 第19-20页 |
| 2.3.3 收敛性分析 | 第20-23页 |
| 2.4 实验仿真研究及分析 | 第23-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于AQPSO的RBF神经网络参数学习 | 第27-39页 |
| 3.1 RBF神经网络 | 第27-31页 |
| 3.1.1 径向基函数 | 第27-28页 |
| 3.1.2 RBF神经网络模型 | 第28-31页 |
| 3.2 RBF神经网络参数学习算法 | 第31-35页 |
| 3.2.1 梯度类算法 | 第31-34页 |
| 3.2.2 进化类算法 | 第34-35页 |
| 3.3 基于AQPSO的RBF神经网络设计 | 第35-36页 |
| 3.4 仿真实验 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于AQPSO的RBF神经网络自组织学习 | 第39-47页 |
| 4.1 自组织RBF神经网络 | 第39页 |
| 4.2 基于AQPSO的RBF神经网络自组织学习 | 第39-41页 |
| 4.3 基于AQPSO的SORBF神经网络的收敛性分析 | 第41-42页 |
| 4.4 实验仿真研究及分析 | 第42-46页 |
| 4.4.1 非线性系统辨识 | 第42-44页 |
| 4.4.2 交通流量预测 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 主要工作回顾 | 第47-48页 |
| 5.2 本课题今后需进一步研究的地方 | 第48-49页 |
| 参考文献 | 第49-54页 |
| 个人简历 在读期间发表的学术论文 | 第54-55页 |
| 致谢 | 第55-56页 |