| 前言 | 第1-18页 |
| 第一章 神经网络与MFNN学习算法研究 | 第18-28页 |
| 1．1 神经网络基本原理和特征 | 第18-20页 |
| 1．1．1 人工神经元模型 | 第18页 |
| 1．1．2 神经网络构成 | 第18-19页 |
| 1．1．3 神经网络学习规则 | 第19页 |
| 1．1．4 神经网络学习方式 | 第19-20页 |
| 1．2 MFNN与EBP算法 | 第20-24页 |
| 1．2．1 MFNN的逼近能力 | 第20-21页 |
| 1．2．2 误差反向传播（EBP）算法原理 | 第21-23页 |
| 1．2．3 EBP算法学习速率的调整 | 第23-24页 |
| 1．3 MFNN的新型二阶学习算法 | 第24-28页 |
| 1．3．1 Karayiannis的二阶算法 | 第24-25页 |
| 1．3．2 新型二阶学习算法推导 | 第25-26页 |
| 1．3．3 算法性能分析 | 第26页 |
| 1．3．4 仿真实例 | 第26-27页 |
| 小结 | 第27-28页 |
| 第二章 带新型混合算法的RBF神经网络 | 第28-38页 |
| 2．1 RBF神经网络原理 | 第28-32页 |
| 2．1．1 多变量RBF插值 | 第28-29页 |
| 2．1．2 正规化理论 | 第29-30页 |
| 2．1．3 正规化问题的逼近解 | 第30-31页 |
| 2．1．4 RBF网络基本学习算法 | 第31-32页 |
| 2．2 带新型混合算法的RBFNN | 第32-38页 |
| 2．2．1 混合算法原理 | 第32页 |
| 2．2．2 优选聚类算法 | 第32-34页 |
| 2．2．3 梯度算法 | 第34-35页 |
| 2．2．4 OLS算法 | 第35-37页 |
| 2．4．5 带新型混合算法RBFNN的实现 | 第37页 |
| 小结 | 第37-38页 |
| 第三章 带新型混合SAA的神经网络 | 第38-45页 |
| 3．1 SAA原理 | 第38-42页 |
| 3．1．1 SAA的基本思想 | 第38页 |
| 3．1．2 SAA的设计 | 第38-40页 |
| 3．1．3 改进的SAA | 第40-41页 |
| 3．1．4 快速的SAA | 第41-42页 |
| 3．2 带新型混合SAA的NN | 第42-45页 |
| 3．2．1 混合算法原理 | 第42页 |
| 3．2．2 带自适应冷却进度表的的SAA | 第42-43页 |
| 3．2．3 Powell算法 | 第43-44页 |
| 3．2．4 带新型混合SAA的NN的实现 | 第44页 |
| 小结 | 第44-45页 |
| 第四章 带新型混合GA的神经网络 | 第45-52页 |
| 4．1 GA原理 | 第45-49页 |
| 4．1．1 SGA的设计 | 第45-46页 |
| 4．1．2 GA的实现 | 第46-49页 |
| 4．2 带新型混合GA的神经网络 | 第49-52页 |
| 4．2．1 遗传BP算法原理 | 第49页 |
| 4．2．2 遗传BP算法参数设计 | 第49-51页 |
| 4．2．3 带新型混合GA的NN的实现 | 第51页 |
| 小结 | 第51-52页 |
| 第五章 带新型混合算法的神经网络在火山岩预测中的应用 | 第52-62页 |
| 5．1 火山岩预测概述 | 第52页 |
| 5．1．1 火山岩预测技术现状及发展趋势 | 第52页 |
| 5．1．2 火山岩预测目前存在的问题 | 第52页 |
| 5．1．3 课题的目的与意义 | 第52页 |
| 5．2 数据提取与处理 | 第52-55页 |
| 5．2．1 地震特征参数提取 | 第52-53页 |
| 5．2．2 数据预处理 | 第53-55页 |
| 5．3 应用实例 | 第55-62页 |
| 5．3．1 带新型混合算法的RBF神经网络应用实例 | 第55-57页 |
| 5．3．2 带新型混合SAA神经网络应用实例 | 第57-59页 |
| 5．3．3 带新型混合GA神经网络应用实例 | 第59-61页 |
| 小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-65页 |