基于神经网络的涵闸流量软测量建模研究
| 中文摘要 | 第1-3页 |
| 英文摘要 | 第3-6页 |
| 第一章 引言 | 第6-9页 |
| 1．1 课题背景 | 第6-7页 |
| 1．2 论文的主要内容 | 第7-9页 |
| 第二章 涵闸流量的软测量 | 第9-17页 |
| 2．1 涵闸流量测量的一般方法 | 第9页 |
| 2．2 涵闸流量的软测量方法 | 第9-17页 |
| 2．2．1 软测量建模概述 | 第10-13页 |
| 2．2．2 二次变量的选择 | 第13-14页 |
| 2．2．3 数据预处理 | 第14-16页 |
| 2．2．4 模型的建立与校正 | 第16-17页 |
| 第三章 神经网络的理论与应用 | 第17-22页 |
| 3．1 神经网络概述 | 第17-18页 |
| 3．1．1 基本原理 | 第17页 |
| 3．1．2 主要特点 | 第17-18页 |
| 3．2 神经网络的主要模型和学习算法 | 第18-20页 |
| 3．2．1 网络模型 | 第18-19页 |
| 3．2．2 学习算法 | 第19-20页 |
| 3．3 神经网络的应用与评价 | 第20-22页 |
| 3．3．1 主要应用领域 | 第20页 |
| 3．3．2 神经网络的评价 | 第20-22页 |
| 第四章 基于BP网的涵闸流量软测量建模 | 第22-37页 |
| 4．1 BP网概述 | 第22-25页 |
| 4．1．1 基本结构与算法 | 第22-23页 |
| 4．1．2 BP网的弱点及算法改进 | 第23-25页 |
| 4．1．3 BP网的函数逼近能力 | 第25页 |
| 4．2 二次变量的选择与网络结构的设计 | 第25-26页 |
| 4．2．1 确定二次变量 | 第25-26页 |
| 4．2．2 确定网络结构 | 第26页 |
| 4．3 数据预处理 | 第26-28页 |
| 4．3．1 样本的选取 | 第26-27页 |
| 4．3．2 误差处理 | 第27-28页 |
| 4．3．3 数据变换 | 第28页 |
| 4．4 网络的训练与测试 | 第28-32页 |
| 4．4．1 训练、测试、运行及相关误差 | 第28-29页 |
| 4．4．2 影响网络训练的因素 | 第29-30页 |
| 4．4．3 网络训练与测试的结果 | 第30-32页 |
| 4．5 BP网算法优化及应用 | 第32-37页 |
| 4．5．1 快速BP算法的原理 | 第32-34页 |
| 4．5．2 快速BP算法的应用 | 第34-36页 |
| 4．5．3 两种算法下模型比较 | 第36-37页 |
| 第五章 基于RBF网的涵闸流量软测量建模 | 第37-45页 |
| 5．1 RBF网概述 | 第37-41页 |
| 5．1．1 结构与算法 | 第37-39页 |
| 5．1．2 RBF网的函数逼近能力 | 第39-41页 |
| 5．2 基于RBF网的涵闸流量软测量模型 | 第41-43页 |
| 5．2．1 网络结构设计 | 第41页 |
| 5．2．2 网络的训练与测试 | 第41-43页 |
| 5．3 模型应用比较 | 第43-44页 |
| 5．4 模型的校正 | 第44-45页 |
| 第六章 软测量建模软件原型 | 第45-51页 |
| 6．1 软件结构 | 第45页 |
| 6．2 软件功能 | 第45-51页 |
| 6．2．1 建模任务管理 | 第45-46页 |
| 6．2．2 数据处理 | 第46-47页 |
| 6．2．3 模型建立 | 第47-49页 |
| 6．2．4 模型校验 | 第49-51页 |
| 第七章 结语 | 第51-53页 |
| 7．1 本论文工作总结 | 第51-52页 |
| 7．2 进一步工作的展望 | 第52-53页 |
| 7．2．1 引黄涵闸流量软测量工作的展望 | 第52页 |
| 7．2．2 软测量技术的展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56页 |
