| 第一章 绪论 | 第1-12页 |
| 1．1 桩基础概述 | 第7-10页 |
| 1．1．1 桩基础发展史 | 第7-8页 |
| 1．1．2 桩基础简单分类 | 第8-9页 |
| 1．1．3 桩基础的特点和适用范围 | 第9-10页 |
| 1．2 本文研究的背景和意义 | 第10-11页 |
| 1．3 本文研究的内容和目标 | 第11页 |
| 1．4 小结 | 第11-12页 |
| 第二章 人工神经网络简介 | 第12-25页 |
| 2．1 人工神经网络概述 | 第12-16页 |
| 2．1．1 人工神经网络起源 | 第12-13页 |
| 2．1．2 人工神经网络的特点 | 第13页 |
| 2．1．3 人工神经网络的主要方向及最新动态 | 第13-16页 |
| 2．2 人工神经网络理论基础 | 第16-19页 |
| 2．2．1 神经元模型 | 第16页 |
| 2．2．2 人工神经网络模型 | 第16-19页 |
| 2．2．3 人工神经网络的基本性质 | 第19页 |
| 2．3 人工神经网络的学习与计算 | 第19-22页 |
| 2．3．1 人工神经网络的学习 | 第20-21页 |
| 2．3．2 神经网络的计算 | 第21-22页 |
| 2．4 常见的人工神经网络模型 | 第22-24页 |
| 2．5 人工神经网络与生物神经网络的比较 | 第24页 |
| 2．6 小结 | 第24-25页 |
| 第三章 BP神经网络及其Matlab语言实现 | 第25-39页 |
| 3．1 Matlab及其神经网络工具箱的简介 | 第25页 |
| 3．2 BP神经网络概述 | 第25-27页 |
| 3．2．1 BP神经网络的基本思想 | 第25-26页 |
| 3．2．2 BP网络神经元模型 | 第26-27页 |
| 3．3 BP网络算法理论推导 | 第27-31页 |
| 3．4 BP网络学习过程的具体步骤 | 第31-33页 |
| 3．5 BP网络的缺点及改进方案的Matlab实现 | 第33-38页 |
| 3．5．1 BP网络的缺点 | 第34页 |
| 3．5．2 BP网络的改进 | 第34-38页 |
| 3．6 Matlab实现BP算法的一般步骤 | 第38页 |
| 3．7 小结 | 第38-39页 |
| 第四章 人工神经网络桩基础选型模型的构建 | 第39-46页 |
| 4．1 模型的构建 | 第39-43页 |
| 4．1．1 网络层数的确定 | 第39-40页 |
| 4．1．2 输入层的设计 | 第40-41页 |
| 4．1．3 输出层的设计 | 第41页 |
| 4．1．4 隐含层的神经元数 | 第41-42页 |
| 4．1．5 激活函数的选取 | 第42-43页 |
| 4．2 模型的Matlab实现 | 第43-45页 |
| 4．2．1 网络的生成及初始化 | 第43-44页 |
| 4．2．2 网络参数的设置 | 第44页 |
| 4．2．3 网络训练及仿真 | 第44-45页 |
| 4．3 小结 | 第45-46页 |
| 第五章 几种改进的BP算法的比较研究 | 第46-51页 |
| 5．1 学习样本对 | 第46页 |
| 5．2 采用自适应学习速率动量梯度下降反向传播算法对网络进行训练 | 第46-47页 |
| 5．3 采用Levenberg-Marquardt反向传播算法对网络进行训练 | 第47-48页 |
| 5．4 采用自适应学习速率梯度下降反向传播算法对网络进行训练 | 第48-49页 |
| 5．5 采用Fletcher-Powell共轭梯度反向传播算法对网络进行训练 | 第49页 |
| 5．6 几种算法比较结果 | 第49-50页 |
| 5．7 小结 | 第50-51页 |
| 第六章 人工神经网络模型的应用 | 第51-59页 |
| 6．1 人工神经网络模型简介 | 第51页 |
| 6．2 人工神经网络模型的使用 | 第51-57页 |
| 6．2．1 人工神经网络模型启动 | 第51-53页 |
| 6．2．2 学习样本输入 | 第53-55页 |
| 6．2．3 预测样本输入 | 第55-57页 |
| 6．3 桩基础选型模型使用实例 | 第57-58页 |
| 6．4 小结 | 第58-59页 |
| 第七章 总结与展望 | 第59-61页 |
| 7．1 全文总结 | 第59页 |
| 7．2 研究展望 | 第59-61页 |
| 参考文献 | 第61-63页 |
| 攻读硕士学位期间发表的论文 | 第63-64页 |
| 致谢 | 第64页 |
