摘要 | 第4-5页 |
Abstract | 第5-6页 |
1 绪论 | 第9-14页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 粮仓通风技术的发展概况 | 第10-12页 |
1.3 主要研究内容及框架结构 | 第12-13页 |
1.3.1 主要研究内容 | 第12-13页 |
1.3.2 论文框架结构 | 第13页 |
1.4 小结 | 第13-14页 |
2 智能通风控制系统及信息融合基础理论 | 第14-19页 |
2.1 智能通风控制系统 | 第14-15页 |
2.2 信息融合技术 | 第15-17页 |
2.2.1 信息融合技术的发展概况 | 第15-16页 |
2.2.2 信息融合技术的原理 | 第16-17页 |
2.3 粮仓通风决策信息融合模型 | 第17-18页 |
2.4 小结 | 第18-19页 |
3 基于D-S证据理论的智能通风决策方法 | 第19-26页 |
3.1 D-S证据理论 | 第19-22页 |
3.1.1 证据理论的发展概况 | 第19-20页 |
3.1.2 D-S证据理论的基本理论 | 第20-22页 |
3.2 D-S证据算法在通风决策中的应用及改进 | 第22-24页 |
3.3 仿真分析 | 第24-25页 |
3.4 小结 | 第25-26页 |
4 BP神经网络基础理论 | 第26-41页 |
4.1 神经网络的发展概况 | 第26-28页 |
4.2 神经网络的学习模式 | 第28-30页 |
4.3 BP神经网络 | 第30-40页 |
4.3.1 BP神经网络的模型及原理 | 第30-31页 |
4.3.2 BP算法推导 | 第31-39页 |
4.3.3 BP神经网络的特点及不足 | 第39-40页 |
4.4 小结 | 第40-41页 |
5 基于GA-BP神经网络的智能通风决策方法 | 第41-56页 |
5.1 遗传算法 | 第41-48页 |
5.1.1 遗传算法的发展概况 | 第41-42页 |
5.1.2 遗传算法的原理 | 第42页 |
5.1.3 遗传算法的实现 | 第42-48页 |
5.2 GA-BP神经网络模型建立 | 第48-50页 |
5.3 GA-BP神经网络模型在通风决策中的仿真验证 | 第50-53页 |
5.3.1 处理样本 | 第51页 |
5.3.2 输出的编码转换 | 第51-52页 |
5.3.3 参数设定及网络训练 | 第52-53页 |
5.3.4 结果分析 | 第53页 |
5.4 D-S和GA-BP神经网络在通风决策中应用的对比分析 | 第53-55页 |
5.5 小结 | 第55-56页 |
6 总结与展望 | 第56-58页 |
6.1 工作总结 | 第56-57页 |
6.2 展望 | 第57-58页 |
参考文献 | 第58-62页 |
致谢 | 第62-63页 |
个人简历 | 第63页 |