| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-19页 |
| ·引言 | 第10-11页 |
| ·神经网络简介 | 第11-15页 |
| ·神经网络发展历程 | 第11-12页 |
| ·神经网络的特性 | 第12-13页 |
| ·神经网络结构 | 第13-14页 |
| ·神经网络结构的影响 | 第14-15页 |
| ·过拟合问题及常用解决方法 | 第15页 |
| ·神经网络结构优化的研究现状 | 第15-17页 |
| ·神经网络构造方法简介 | 第16页 |
| ·神经网络剪枝方法简介 | 第16-17页 |
| ·进化算法优化神经网络 | 第17页 |
| ·本文研究内容及安排 | 第17-19页 |
| 第2章 基础理论 | 第19-28页 |
| ·引言 | 第19页 |
| ·神经网络基础理论 | 第19-21页 |
| ·人工神经元模型 | 第19-20页 |
| ·神经网络学习方式 | 第20-21页 |
| ·BP神经网络模型 | 第21-25页 |
| ·BP网络结构 | 第21-22页 |
| ·BP算法 | 第22-25页 |
| ·径向基网络模型 | 第25-27页 |
| ·RBF神经网络概述 | 第25页 |
| ·RBF网络结构 | 第25-27页 |
| ·RBF中心的确定 | 第27页 |
| ·本章小结 | 第27-28页 |
| 第3章 基于相关剪枝法与回归分析的改进BP网络及其应用 | 第28-37页 |
| ·引言 | 第28页 |
| ·基于相关剪枝法与回归分析的改进BP网络 | 第28-32页 |
| ·相关剪枝法 | 第28页 |
| ·多元回归模型 | 第28-29页 |
| ·数据预处理 | 第29-30页 |
| ·基于CPA-MLR的改进BP网络算法流程 | 第30-32页 |
| ·基于CPA-MLR-BP的初顶石脑油干点软测量 | 第32-36页 |
| ·初顶石脑油工艺介绍 | 第32-34页 |
| ·干点软测量模型 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 基于相关剪枝法与回归分析的改进RBF网络及其应用 | 第37-60页 |
| ·引言 | 第37页 |
| ·数据的标准化与中心化 | 第37-39页 |
| ·主成分回归分析 | 第39-42页 |
| ·主成分分析基本思路及目标 | 第39-40页 |
| ·主成分计算方法 | 第40-42页 |
| ·主成分回归计算步骤 | 第42页 |
| ·偏最小二乘回归分析 | 第42-45页 |
| ·偏最小二乘回归基本思路及目标 | 第43页 |
| ·偏最小二乘回归计算方法 | 第43-45页 |
| ·基于相关剪枝法与回归分析的改进RBF网络 | 第45-48页 |
| ·RBFN-CPA-LSR的算法流程 | 第45-47页 |
| ·RBFN-PLSR与RBFN-PCR算法流程 | 第47-48页 |
| ·聚类RBFN 与 CPA-LSR的组合算法流程 | 第48页 |
| ·基于改进RBF网络的干点软测量及性能分析 | 第48-58页 |
| ·软测量性能分析 | 第48-54页 |
| ·改进RBF网络关键参数分析 | 第54-58页 |
| ·改进BP网络与改进RBF网络性能对比 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第5章 总结及展望 | 第60-62页 |
| ·本文的研究工作总结 | 第60页 |
| ·本文进一步工作的展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 附录 | 第67页 |