| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 课题研究背景 | 第14页 |
| 1.2 建模方法研究现状 | 第14-20页 |
| 1.2.1 机理建模 | 第14-15页 |
| 1.2.2 黑箱建模 | 第15-20页 |
| 1.3 数据降维技术研究现状 | 第20-21页 |
| 1.4 课题研究内容 | 第21-22页 |
| 1.5 论文组织结构 | 第22-24页 |
| 第二章 基于遗传算法的FLANN网络 | 第24-34页 |
| 2.1 多层前馈神经网络 | 第24-27页 |
| 2.1.1 多层前馈神经网络结构 | 第24页 |
| 2.1.2 多层前馈神经网络学习方式 | 第24-25页 |
| 2.1.3 多层前馈神经网络学习算法 | 第25-27页 |
| 2.1.4 多层前馈神经网络性能分析 | 第27页 |
| 2.2 函数链接神经网络 | 第27-29页 |
| 2.2.1 函数链接网络结构 | 第27-28页 |
| 2.2.2 函数链接神经网络学习算法 | 第28-29页 |
| 2.2.3 函数链接神经网络性能分析 | 第29页 |
| 2.3 基于遗传算法的函数链接神经网络(GA-FLANN) | 第29-31页 |
| 2.3.1 GA-FLANN网络的可行性和必要性分析 | 第29页 |
| 2.3.2 GA-FLANN算法设计 | 第29-31页 |
| 2.3.3 GA-FLANN算法流程图 | 第31页 |
| 2.3.4 GA-FLANN算法操作步骤 | 第31页 |
| 2.4 实验测试 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 基于熵层次分析的GA-FLANN神经网络 | 第34-44页 |
| 3.1 层次分析法 | 第34-35页 |
| 3.1.1 层次分析法概述 | 第34页 |
| 3.1.2 层次分析法基本原理及结构模型 | 第34-35页 |
| 3.2 熵理论 | 第35-36页 |
| 3.3 基于数据驱动的层析分析法 | 第36-38页 |
| 3.4 基于熵层次分析法优化神经网络输入 | 第38页 |
| 3.5 基于熵层次分析法的GA-FLANN网络建模 | 第38-39页 |
| 3.6 实验测试 | 第39-42页 |
| 3.6.1 WINE数据集实验测试 | 第40-41页 |
| 3.6.2 Parkinsons数据集实验测试 | 第41-42页 |
| 3.7 本章小结 | 第42-44页 |
| 第四章 实际应用 | 第44-54页 |
| 4.1 应用一：乙烯装置生产过程建模 | 第44-48页 |
| 4.1.1 乙烯数据分析 | 第44-45页 |
| 4.1.2 乙烯装置生产预测分析 | 第45-47页 |
| 4.1.3 乙烯装置生产能效分析 | 第47-48页 |
| 4.2 应用二：食品安全预警建模 | 第48-52页 |
| 4.2.1 数据来源及预处理 | 第49-50页 |
| 4.2.2 神经网络预测食品安全风险 | 第50-52页 |
| 4.3 本章小结 | 第52-54页 |
| 第五章 食品安全预警原型系统设计与实现 | 第54-62页 |
| 5.1 系统总体架构设计 | 第54页 |
| 5.2 系统功能设计 | 第54-55页 |
| 5.3 系统开发环境配置 | 第55-56页 |
| 5.3.1 开发软件选择 | 第55-56页 |
| 5.4 系统功能模块详细介绍 | 第56-60页 |
| 5.4.1 食品检测数据统计分析模块 | 第56-57页 |
| 5.4.2 食品检测数据建模分析模块 | 第57-60页 |
| 5.5 本章小结 | 第60-62页 |
| 第六章 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 研究成果及发表的学术论文 | 第70-72页 |
| 作者和导师简介 | 第72-73页 |
| 附件 | 第73-74页 |
