神经网络在日长变化预报中的应用研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-16页 |
| ·引言 | 第9页 |
| ·地球自转变化预报的研究现状 | 第9-12页 |
| ·神经网络的研究现状 | 第12-14页 |
| ·本文的研究意义和主要研究内容 | 第14-16页 |
| 第二章 地球自转理论 | 第16-29页 |
| ·地球自转 | 第16-23页 |
| ·刚体自转 | 第16-17页 |
| ·非刚体自转 | 第17-19页 |
| ·带有液核的球体自转 | 第19-20页 |
| ·自转形变 | 第20-23页 |
| ·阻尼线性运动 | 第23页 |
| ·地球自转参数的测定 | 第23-24页 |
| ·地球自转变化激发的研究 | 第24-27页 |
| ·日长变化 | 第24-25页 |
| ·极移 | 第25页 |
| ·激发函数 | 第25-27页 |
| ·本章小结 | 第27-29页 |
| 第三章 神经网络的基本原理 | 第29-42页 |
| ·人工神经网络的基本理论 | 第29-32页 |
| ·人工神经网络的生物学基础 | 第29-30页 |
| ·人工神经网络的数学表达 | 第30页 |
| ·人工神经网络的基本特征和通有性质 | 第30-31页 |
| ·人工神经网络的分类 | 第31-32页 |
| ·BP神经网络的基本原理 | 第32-36页 |
| ·网络的学习规则——梯度下降算法 | 第33-34页 |
| ·BP算法的基本流程 | 第34-36页 |
| ·遗传算法优化的BP神经网络 | 第36-38页 |
| ·遗传算法的基本原理及主要优点 | 第36-37页 |
| ·遗传神经网络的算法流程 | 第37-38页 |
| ·广义回归神经网络的基本原理 | 第38-41页 |
| ·广义回归神经网络的理论基础 | 第38-39页 |
| ·广义回归神经网络的结构 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 日长变化预报 | 第42-61页 |
| ·遗传神经网络用于日长变化预报 | 第42-48页 |
| ·数据预处理 | 第42-43页 |
| ·建模和预报 | 第43-44页 |
| ·实验结果 | 第44-48页 |
| ·广义回归神经网络用于日长变化预报 | 第48-56页 |
| ·数据预处理 | 第49页 |
| ·建模和预报 | 第49-50页 |
| ·GRNN输入样本按跨度i选取 | 第50-53页 |
| ·GRNN输入样本按连续方式选取 | 第53-55页 |
| ·广义回归神经网络预报日长变化小结 | 第55-56页 |
| ·不同前馈神经网络模型用于日长变化预报的综合比较 | 第56-59页 |
| ·本章小结 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| ·本文的主要研究成果和创新之处 | 第61页 |
| ·今后工作展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-70页 |
| 攻读硕士学位期间主要的研究成果 | 第70页 |
