| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 人工神经网络研究现状 | 第9-10页 |
| 1.2.2 径向基函数神经网络研究现状 | 第10页 |
| 1.3 论文主要内容与组织结构 | 第10-11页 |
| 1.4 本章小结 | 第11-12页 |
| 第二章 人工神经网络基础理论 | 第12-20页 |
| 2.1 人工神经网络 | 第12-15页 |
| 2.1.1 人工神经元模型 | 第12-13页 |
| 2.1.2 人工神经网络分类 | 第13-14页 |
| 2.1.3 人工神经网络学习方式 | 第14-15页 |
| 2.2 径向基函数神经网络 | 第15-19页 |
| 2.2.1 网络结构 | 第15-16页 |
| 2.2.2 学习算法 | 第16-18页 |
| 2.2.3 网络优缺点 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第三章 径向基函数神经网络结构初始化 | 第20-35页 |
| 3.1 蚁群聚类算法 | 第20-22页 |
| 3.1.1 蚁群聚类算法原理 | 第20-22页 |
| 3.1.2 LF算法优缺点 | 第22页 |
| 3.2 改进的蚁群聚类算法 | 第22-29页 |
| 3.2.1 算法改进 | 第22-23页 |
| 3.2.2 改进后的LF算法 | 第23-28页 |
| 3.2.3 评价指标 | 第28-29页 |
| 3.3 算法验证 | 第29-33页 |
| 3.4 改进的LF算法优化径向基函数神经网络 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 径向基函数神经网络结构优化 | 第35-48页 |
| 4.1 粒子群算法概述 | 第35-37页 |
| 4.1.1 粒子群算法 | 第35-36页 |
| 4.1.2 粒子群算法流程 | 第36-37页 |
| 4.1.3 粒子群算法优缺点 | 第37页 |
| 4.2 混沌系统概述 | 第37-38页 |
| 4.2.1 Logistic映射 | 第37-38页 |
| 4.2.2 Henon映射 | 第38页 |
| 4.2.3 Lorenz系统 | 第38页 |
| 4.3 改进的粒子群算法优化径向基函数神经网络 | 第38-44页 |
| 4.3.1 改进的LF算法聚类 | 第39页 |
| 4.3.2 混沌 | 第39-40页 |
| 4.3.3 变异 | 第40页 |
| 4.3.4 交叉 | 第40页 |
| 4.3.5 自适应 | 第40-41页 |
| 4.3.6 改进的粒子群算法 | 第41-44页 |
| 4.4 算法验证 | 第44-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 改进的径向基函数神经网络在网络流量预测中的应用 | 第48-55页 |
| 5.1 数据准备 | 第48-49页 |
| 5.2 数据整理 | 第49-50页 |
| 5.3 分析预测 | 第50-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-56页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 在读期间公开发表的论文 | 第59-60页 |
| 致谢 | 第60页 |