| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.2.1 BP算法改进研究进展 | 第8-9页 |
| 1.2.2 多种人工合成色素同时检测方法研究进展 | 第9页 |
| 1.3 本文的研究意义 | 第9-10页 |
| 1.4 本文的研究内容 | 第10页 |
| 1.5 本文的内容结构安排 | 第10-11页 |
| 1.6 本文课题经费来源 | 第11-12页 |
| 第二章 BP人工神经网络理论及数据处理方法 | 第12-19页 |
| 2.1 BP人工神经网络理论 | 第12-15页 |
| 2.1.1 BP网络结构 | 第12页 |
| 2.1.2 BP网络学习规则 | 第12页 |
| 2.1.3 网络设计 | 第12-14页 |
| 2.1.4 初始值的选取 | 第14页 |
| 2.1.5 神经元上的传递函数 | 第14-15页 |
| 2.1.6 学习函数 | 第15页 |
| 2.2 数据预处理 | 第15-16页 |
| 2.3 主成分分析法(Principal Components Analysis,PCA) | 第16-19页 |
| 2.3.1 主成分分析法概述 | 第16页 |
| 2.3.2 主成分分析的意义 | 第16-17页 |
| 2.3.3 主成分分析方法 | 第17页 |
| 2.3.4 主成分分析在MATLAB软件中的实现方法 | 第17-19页 |
| 第三章 BP-人工神经网络算法及其在食品安全中的应用 | 第19-44页 |
| 3.1 样本采集 | 第19-22页 |
| 3.1.1 训练样本采集 | 第19-21页 |
| 3.1.2 预测样本采集 | 第21-22页 |
| 3.2 标准BP算法 | 第22-31页 |
| 3.2.1 理论基础 | 第22-23页 |
| 3.2.2 实现方法 | 第23-29页 |
| 3.2.3 训练结果及讨论 | 第29-31页 |
| 3.3 动量BP算法 | 第31-33页 |
| 3.3.1 理论基础 | 第31页 |
| 3.3.2 实现方法 | 第31-32页 |
| 3.3.3 训练结果及讨论 | 第32-33页 |
| 3.4 学习率可变的动量算法 | 第33-35页 |
| 3.4.1 理论基础 | 第33-34页 |
| 3.4.2 实现方法 | 第34页 |
| 3.4.3 训练结果与讨论 | 第34-35页 |
| 3.5 弹性BP算法 | 第35-37页 |
| 3.5.1 理论基础 | 第35-36页 |
| 3.5.2 实现方法 | 第36页 |
| 3.5.3 训练结果与讨论 | 第36-37页 |
| 3.6 LM(levenberg-marquardt)算法 | 第37-39页 |
| 3.6.1 理论基础 | 第37-38页 |
| 3.6.2 实现方法 | 第38页 |
| 3.6.3 训练结果与讨论 | 第38-39页 |
| 3.7 贝叶斯规范化算法 | 第39-42页 |
| 3.7.1 基础理论 | 第39-40页 |
| 3.7.2 实现方法 | 第40页 |
| 3.7.3 训练结果与讨论 | 第40-42页 |
| 3.8 BP算法改进方法比较 | 第42-44页 |
| 第四章 结论 | 第44-45页 |
| 4.1 结论 | 第44页 |
| 4.2 不足 | 第44页 |
| 4.3 展望 | 第44-45页 |
| 参考文献 | 第45-47页 |
| 致谢 | 第47-48页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第48-49页 |
