| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-17页 |
| ·课题研究背景及意义 | 第9-11页 |
| ·平直度模式识别模型的研究现状 | 第11-13页 |
| ·传统平直度模式识别模型的研究概况 | 第11页 |
| ·基于人工智能的平直度模式识别模型的研究现状 | 第11-13页 |
| ·平直度预报模型的研究现状 | 第13-14页 |
| ·神经网络平直度模式识别和预报模型存在的问题 | 第14-15页 |
| ·本文主要研究内容 | 第15-17页 |
| 第2章 人工智能基本理论 | 第17-29页 |
| ·人工智能简述 | 第17页 |
| ·BP神经网络 | 第17-20页 |
| ·BP神经网络的结构 | 第17-18页 |
| ·BP神经网络的学习算法 | 第18-20页 |
| ·RBF神经网络 | 第20-24页 |
| ·RBF神经网络的结构 | 第21-23页 |
| ·RBF神经网络常用的学习算法 | 第23-24页 |
| ·粒子群优化算法 | 第24-28页 |
| ·基本粒子群优化算法 | 第24-27页 |
| ·具有量子行为的粒子群优化算法 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 平直度模式识别模型的研究 | 第29-51页 |
| ·概述 | 第29-30页 |
| ·基于QPSO-BP算法混合优化BP网络模型的建立 | 第30-34页 |
| ·基于QPSO算法的BP网络优化 | 第30-31页 |
| ·改进的BP网络学习算法 | 第31-32页 |
| ·基于QPSO-BP算法混合优化BP网络 | 第32-34页 |
| ·基于QPSO-BP网络的平直度模式识别模型的建立 | 第34-41页 |
| ·平直度数据预处理 | 第34-36页 |
| ·平直度基本模式的选择 | 第36-39页 |
| ·平直度模式识别的网络结构 | 第39-40页 |
| ·平直度模式识别的步骤 | 第40-41页 |
| ·平直度模式识别仿真实验与分析 | 第41-47页 |
| ·不同平直度模式识别方法的识别精度比较分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第4章 平直度预报模型的研究 | 第51-74页 |
| ·概述 | 第51-52页 |
| ·基于QPSO-梯度下降算法的RBF网络参数优化 | 第52-58页 |
| ·RBF网络隐节点数的确定 | 第52-53页 |
| ·基于QPSO算法的RBF网络优化 | 第53-54页 |
| ·RBF网络的梯度下降算法优化 | 第54-56页 |
| ·仿真实例 | 第56-58页 |
| ·基于QPSO-RBF网络的平直度预报模型的建立 | 第58-61页 |
| ·平直度预报模型的输入输出 | 第58-59页 |
| ·数据预处理 | 第59-61页 |
| ·平直度预报仿真实验与分析 | 第61-73页 |
| ·本章小结 | 第73-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第81-82页 |
| 致谢 | 第82-83页 |
| 作者简介 | 第83页 |