| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-13页 |
| ·人工神经网络模式识别概述 | 第8-12页 |
| ·神经网络模式识别的发展与现状 | 第9-11页 |
| ·神经网络模式识别方法与传统模式识别方法的关系 | 第11页 |
| ·神经网络模式识别的特点 | 第11-12页 |
| ·本文研究的内容、目的与组织结构 | 第12-13页 |
| 2 人工神经网络理论基础 | 第13-23页 |
| ·生物学启示 | 第13-14页 |
| ·神经元模型 | 第14-16页 |
| ·传统神经元模型 | 第14-15页 |
| ·功能函数 | 第15页 |
| ·多输入神经元模型 | 第15-16页 |
| ·神经网络结构 | 第16-18页 |
| ·用于模式识别的神经网络模型 | 第18-20页 |
| ·神经网络模型 | 第18-19页 |
| ·神经网络的学习方式 | 第19-20页 |
| ·神经网络模式识别系统 | 第20-22页 |
| ·神经网络模式识别系统概述 | 第20-21页 |
| ·神经网络模式识别的典型方法 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 3 BP神经网络 | 第23-33页 |
| ·多层前馈网络的应用描述 | 第23-25页 |
| ·多层前馈网络模型与BP算法 | 第25-30页 |
| ·多层前馈网络模型的数学描述 | 第25-26页 |
| ·BP算法 | 第26-29页 |
| ·BP多层前馈网络的主要能力 | 第29-30页 |
| ·BP算法的改进 | 第30-32页 |
| ·动量方法 | 第30-31页 |
| ·可变的学习速率 | 第31页 |
| ·LM算法 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 4 用于模式识别的遗传神经网络模型 | 第33-38页 |
| ·BP神经网络存在的问题 | 第33页 |
| ·遗传算法 | 第33-35页 |
| ·遗传算法的特点 | 第35页 |
| ·遗传算法的缺陷 | 第35-36页 |
| ·早熟问题 | 第35-36页 |
| ·局部搜索能力差 | 第36页 |
| ·控制参数难以确定 | 第36页 |
| ·遗传算法的改进 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 5 改进的遗传神经网络模型 | 第38-45页 |
| ·BP算法与遗传算法的结合 | 第38-40页 |
| ·GA-BP神经网络的优化策略 | 第38-39页 |
| ·NFL定理的启示 | 第39-40页 |
| ·GA-BP神经网络的模型 | 第40-44页 |
| ·编码设计 | 第40页 |
| ·适应度函数的确定 | 第40-41页 |
| ·种群的初始化 | 第41页 |
| ·遗传算子的设计 | 第41-42页 |
| ·基于数值优化技术的LM算法 | 第42-43页 |
| ·GA-BP神经网络运行流程 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 6 GA-BP的模式识别系统 | 第45-59页 |
| ·神经网络开发环境介绍 | 第45页 |
| ·系统概述 | 第45-47页 |
| ·系统实现过程中接口问题的研究 | 第47-49页 |
| ·应用程序对数据库的连接及访问 | 第47-48页 |
| ·在Visual C++中调用MATLAB实现图形显示 | 第48-49页 |
| ·基于遗传算法及神经网络的模式识别系统 | 第49-55页 |
| ·建立模式识别模型及其主要界面 | 第50-51页 |
| ·网络训练实现及其主要界面 | 第51-55页 |
| ·应用实例 | 第55-58页 |
| ·故障预测问题 | 第55-56页 |
| ·岩石矿物识别问题 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 7 结论 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-63页 |