基于RBF神经网络的货运量预测模型研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究背景、目的和意义 | 第9页 |
| ·国内外研究现状及面临的问题 | 第9-12页 |
| ·定性预测方法 | 第10-11页 |
| ·定量预测方法 | 第11-12页 |
| ·本文的主要工作和创新之处 | 第12-13页 |
| ·本文结构 | 第13-14页 |
| 第二章 人工神经网络概述 | 第14-25页 |
| ·人工神经网络的发展 | 第14-15页 |
| ·人工神经网络的工作原理及特点 | 第15-16页 |
| ·神经网络模型分类 | 第16-18页 |
| ·按网络拓扑结构划分的神经网络 | 第17-18页 |
| ·按网络学习模式划分的神经网络 | 第18页 |
| ·RBF 神经网络 | 第18-25页 |
| ·RBF 神经网络的基函数 | 第19-20页 |
| ·RBF 神经网络的结构 | 第20-21页 |
| ·RBF 神经网络的学习算法 | 第21-23页 |
| ·RBF 神经网络的应用及优点 | 第23-24页 |
| ·RBF 神经网络存在的问题及研究现状 | 第24-25页 |
| 第三章 基于延拓矩阵的RBF 货运量预测改进模型 | 第25-45页 |
| ·基于延拓矩阵的 RBF 货运量预测模型的提出 | 第25-30页 |
| ·现存问题的分析 | 第25-28页 |
| ·解决方法 | 第28-29页 |
| ·基于延拓矩阵的RBF 货运量预测模型的优势 | 第29-30页 |
| ·基于延拓矩阵的 RBF 货运量预测改进模型 | 第30-39页 |
| ·货运量的关联因素与时域因素选取模块 | 第30-31页 |
| ·数据预处理模块 | 第31-32页 |
| ·延拓矩阵生成模块 | 第32-34页 |
| ·RBF 货运量预测改进模型 | 第34-39页 |
| ·模型的实现过程 | 第39-45页 |
| ·模型开发环境 | 第40页 |
| ·改进模型的总体设计 | 第40页 |
| ·核心模块的伪码设计过程 | 第40-45页 |
| 第四章 RBF 神经网络的动态聚类学习算法实验 | 第45-55页 |
| ·渐增函数逼近实验 | 第45-47页 |
| ·动态聚类算法的运行效率实验 | 第47-50页 |
| ·公路货运量预测实验 | 第50-52页 |
| ·公路货运量的延拓矩阵生成 | 第50-51页 |
| ·样本集划分与误差分析 | 第51-52页 |
| ·货运总量预测实验 | 第52-55页 |
| ·货运总量的延拓矩阵生成 | 第52-53页 |
| ·样本集划分与误差分析 | 第53-55页 |
| 第五章 总结与展望 | 第55-57页 |
| ·总结 | 第55页 |
| ·本文的不足与展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 附录 I 公路货运量原始数据 | 第60-61页 |
| 附录 II 货运总量原始数据 | 第61-62页 |
| 发表论文和科研情况说明 | 第62-63页 |
| 致谢 | 第63-64页 |
