第1章 绪论 | 第1-36页 |
·选题的目的和意义 | 第12-13页 |
·舰船运动极短期预报综述 | 第13-22页 |
·舰船运动极短期预报的目的和意义 | 第13-14页 |
·国外研究概况 | 第14-18页 |
·国内研究概况 | 第18-22页 |
·神经网络理论概述 | 第22-34页 |
·神经网络技术的发展与现状 | 第22-27页 |
·神经网络理论的特点 | 第27-28页 |
·神经网络建模与预报 | 第28-34页 |
·本文的主要工作 | 第34-36页 |
第2章 人工神经网络基础 | 第36-53页 |
·人工神经网络的基本概念 | 第36-37页 |
·神经元及其行为机理 | 第37-42页 |
·神经元的生物学结构 | 第37-38页 |
·神经元的信息处理与传递 | 第38-40页 |
·神经元的形式化描述 | 第40-42页 |
·人工神经网络的基本结构 | 第42-43页 |
·递归网络 | 第42-43页 |
·前馈网络 | 第43页 |
·人工神经网络的训练 | 第43-45页 |
·无导师学习 | 第43-44页 |
·有导师学习 | 第44-45页 |
·强化学习 | 第45页 |
·人工神经网络的典型模型 | 第45-47页 |
·Hopfield网络 | 第45-47页 |
·Elman and Jordan网络 | 第47页 |
·BP算法(反向传播算法) | 第47-52页 |
·本章小结 | 第52-53页 |
第3章 神经网络中的逼近问题 | 第53-76页 |
·人工神经网络与数学 | 第53-56页 |
·多元连续函数的一元函数复合表示问题 | 第53页 |
·人工神经元网络的逼近 | 第53-54页 |
·近十几年来的一些结果 | 第54-56页 |
·一般前馈神经元网络的逼近问题 | 第56-65页 |
·一维实空间上的逼近问题 | 第56-59页 |
·n维实空间上的逼近问题 | 第59-65页 |
·基于BP神经网络的函数逼近方法及其MATLAB实现 | 第65-74页 |
·引言 | 第65-67页 |
·BP神经网络及其函数逼近能力 | 第67-68页 |
·MATLAB软件及其BP神经网络工具箱函数 | 第68-69页 |
·基于BP神经网络的函数逼近过程及其MATLAB实现 | 第69-74页 |
·结论 | 第74页 |
·本章小结 | 第74-76页 |
第4章 递归神经网络理论研究 | 第76-87页 |
·对角递归神经网络DRNN与全对角递归神经网络GDRNN | 第77-78页 |
·DRNN与GDRNN的动态反传算法 | 第78-79页 |
·DRNN与GDRNN的权值更新规则 | 第79-82页 |
·DRNN与GDRNN的训练算法的收敛性和稳定性 | 第82-86页 |
·本章小结 | 第86-87页 |
第5章 神经网络在舰船运动预报中的应用 | 第87-112页 |
·基于对角递归神经网络(DRNN)的舰船纵摇运动极短期预报 | 第87-106页 |
·引言 | 第87-88页 |
·DRNN算法及其在预报中的应用 | 第88-92页 |
·DRNN预报的无偏性 | 第92-93页 |
·DRNN在非线性系统预报中的应用 | 第93-94页 |
·基于DRNN的舰船纵摇运动的极短期预报 | 第94-106页 |
·神经网络在其它系统预报中的应用 | 第106-110页 |
·引言 | 第106-107页 |
·共轭梯度算法对BP神经网络权值的更新 | 第107-108页 |
·用改进的神经网络进行预报 | 第108-109页 |
·仿真计算 | 第109-110页 |
·结论 | 第110页 |
·本章小结 | 第110-112页 |
第6章 舰船运动的一种改进经典谱估计方法 | 第112-120页 |
·改进的谱估计 | 第112-117页 |
·周期图改进法 | 第112-115页 |
·自相关改进法 | 第115-116页 |
·综合法 | 第116-117页 |
·实例仿真与性能分析 | 第117-119页 |
·本节小结 | 第119页 |
·本章小结 | 第119-120页 |
结论 | 第120-122页 |
参考文献 | 第122-134页 |
攻读博士学位期间发表的论文和取得的科研成果 | 第134-135页 |
致谢 | 第135-136页 |
个人简历 | 第136-139页 |
附录A | 第139-142页 |
附录B | 第142-147页 |