嵌入遗传算法的神经网络技术在煤炭销量预测研究中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 课题背景与来源 | 第11页 |
| 1.2 销量预测方法的研究 | 第11-13页 |
| 1.3 研究内容 | 第13页 |
| 1.4 论文结构安排 | 第13-15页 |
| 第2章 相关理论概述 | 第15-27页 |
| 2.1 神经网络 | 第15-21页 |
| 2.1.1 神经元 | 第15-16页 |
| 2.1.2 学习方式 | 第16页 |
| 2.1.3 拓扑结构 | 第16-18页 |
| 2.1.4 神经网络的特点 | 第18页 |
| 2.1.5 BP算法的基本思想 | 第18-19页 |
| 2.1.6 BP算法的推导 | 第19-21页 |
| 2.2 遗传算法 | 第21-26页 |
| 2.2.1 基本思想及步骤 | 第22-23页 |
| 2.2.2 编码方式 | 第23-24页 |
| 2.2.3 核心技术 | 第24-26页 |
| 2.2.4 遗传算法的优点 | 第26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 嵌入遗传算法的神经网络模型设计 | 第27-41页 |
| 3.1 遗传算法优化神经网络的分析 | 第27-29页 |
| 3.1.1 优化网络的连接权值 | 第27-28页 |
| 3.1.2 优化网络的拓扑结构 | 第28页 |
| 3.1.3 优化网络学习规则 | 第28-29页 |
| 3.2 遗传算法优化BP网络的思路 | 第29页 |
| 3.3 遗传算法优化BP网络的模型设计 | 第29-37页 |
| 3.3.1 改进的BP算法 | 第29-30页 |
| 3.3.2 BP网络的设计 | 第30-34页 |
| 3.3.3 遗传算法的设计 | 第34-37页 |
| 3.4 嵌入遗传算法的神经网络算法设计 | 第37页 |
| 3.5 嵌入遗传算法的神经网络算法具体步骤 | 第37-39页 |
| 3.6 本章小结 | 第39-41页 |
| 第4章 煤炭销量预测应用 | 第41-55页 |
| 4.1 煤炭销量影响因素的确定 | 第41页 |
| 4.2 样本数据 | 第41-43页 |
| 4.2.1 样本数据的获取 | 第42页 |
| 4.2.2 样本数据预处理 | 第42-43页 |
| 4.3 嵌入遗传算法的改进BP网络预测实例 | 第43-50页 |
| 4.3.1 建立网络模型 | 第43-46页 |
| 4.3.2 参数选择 | 第46页 |
| 4.3.3 训练实验及结果分析 | 第46-50页 |
| 4.4 改进的BP网络预测实例 | 第50-53页 |
| 4.4.1 训练实验及结果分析 | 第50-52页 |
| 4.4.2 网络模型比较 | 第52-53页 |
| 4.5 算法实现 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第5章 煤炭销售管理子系统的设计与实现 | 第55-69页 |
| 5.1 系统设计目标 | 第55页 |
| 5.1.1 总体目标 | 第55页 |
| 5.1.2 销售管理子系统目标 | 第55页 |
| 5.2 系统总体设计 | 第55-58页 |
| 5.2.1 开发环境 | 第55-56页 |
| 5.2.2 系统架构 | 第56-58页 |
| 5.2.3 系统功能结构 | 第58页 |
| 5.3 数据库设计 | 第58-62页 |
| 5.3.1 数据库表设计 | 第59-61页 |
| 5.3.2 数据库表关系 | 第61-62页 |
| 5.4 系统功能设计与实现 | 第62-68页 |
| 5.4.1 销售信息管理模块 | 第62-63页 |
| 5.4.2 销售情况查询模块 | 第63-64页 |
| 5.4.3 销量预测分析模块 | 第64-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第6章 结论与展望 | 第69-71页 |
| 6.1 工作总结 | 第69页 |
| 6.2 未来展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 附录 | 第77-79页 |
| A.1 数据表 | 第77-79页 |
