基于神经网络的预测方法及其在物流系统中的应用研究
| 第1章 绪论 | 第1-18页 |
| 1．1 论文研究的背景 | 第9-15页 |
| 1．1．1 现代物流预测技术及其发展概况 | 第9-12页 |
| 1．1．2 神经网络预测方法研究现状 | 第12-14页 |
| 1．1．3 预测软件的研究现状 | 第14-15页 |
| 1．2 论文研究的目的及意义 | 第15-16页 |
| 1．3 论文的结构及研究方法 | 第16-17页 |
| 1．3．1 论文结构 | 第16页 |
| 1．3．2 研究方法 | 第16-17页 |
| 1．4 本章小结 | 第17-18页 |
| 第2章 神经网络模型及神经网络预测方法 | 第18-28页 |
| 2．1 人工神经网络（ANN）及其发展概况 | 第18-23页 |
| 2．1．1 人工神经网络模型 | 第18-20页 |
| 2．1．2 神经网络的发展概况 | 第20-22页 |
| 2．1．3 神经网络的结构特点及类型 | 第22-23页 |
| 2．2 基于神经网络的预测方法 | 第23-25页 |
| 2．2．1 神经网络计算和传统计算的比较 | 第23-24页 |
| 2．2．2 基于神经网络的预测方法的预测步骤 | 第24-25页 |
| 2．3 预测精度评价函数 | 第25-27页 |
| 2．4 本章小结 | 第27-28页 |
| 第3章 前馈神经网络及其学习算法的改进和实现 | 第28-40页 |
| 3．1 概述 | 第28-29页 |
| 3．2 前馈神经网络的数学模型及其学习算法 | 第29-34页 |
| 3．2．1 神经网络结构 | 第29-30页 |
| 3．2．2 多层前馈神经网络的范化能力 | 第30-32页 |
| 3．2．3 前馈人工神经网络结构的确定 | 第32-34页 |
| 3．3 改进的前馈神经网络及其实现 | 第34-39页 |
| 3．3．1 改进的前馈神经网络学习算法的原理 | 第34-36页 |
| 3．3．2 改进的BP算法及计算流程 | 第36-39页 |
| 3．3．3 学习样本的归一化 | 第39页 |
| 3．4 本章小结 | 第39-40页 |
| 第4章 神经网络定量预测模型及实现方法 | 第40-61页 |
| 4．1 神经网络预测模型 | 第40-44页 |
| 4．1．1 构造神经网络预测模型 | 第40-43页 |
| 4．1．2 预测指标的选择 | 第43-44页 |
| 4．2 样本与权的规范化 | 第44-45页 |
| 4．2．1 样本的选取和预处理 | 第44-45页 |
| 4．2．2 权和阀值初始值域的确定 | 第45页 |
| 4．3 网络拓扑结构的确定 | 第45-47页 |
| 4．3．1 隐层数目的确定 | 第45页 |
| 4．3．2 隐层单元数目的确定 | 第45-47页 |
| 4．4 响应函数的确定 | 第47-50页 |
| 4．5 预测结果及分析 | 第50-54页 |
| 4．5．1 模型验证 | 第50-52页 |
| 4．5．2 预测结果 | 第52-54页 |
| 4．6 基于神经网络的组合预测方法及应用 | 第54-60页 |
| 4．6．1 组合预测的基本原理 | 第55页 |
| 4．6．2 组合预测方法的应用 | 第55-60页 |
| 4．7 本章小结 | 第60-61页 |
| 第5章 物流预测系统（LFS）的开发 | 第61-77页 |
| 5．1 LFS系统的主要功能和系统结构 | 第61-63页 |
| 5．1．1 LFS系统的主要功能 | 第61-62页 |
| 5．1．2 系统结构 | 第62-63页 |
| 5．2 LFS数据库管理系统设计 | 第63-66页 |
| 5．3 系统开发环境 | 第66页 |
| 5．4 系统中BP算法类的程序实现 | 第66-69页 |
| 5．5 实例分析 | 第69-75页 |
| 5．6 本章小结 | 第75-77页 |
| 第6章 全文总结及进一步的研究工作 | 第77-80页 |
| 6．1 全文总结 | 第77-78页 |
| 6．2 进一步的研究工作 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 学习期间所做的工作 | 第84页 |
| 攻读学位期间发表的论文 | 第84-85页 |
| 致谢 | 第85页 |
