| 第1章 引言 | 第1-14页 |
| 1．1 本文选题的出发点和现实意义 | 第8-9页 |
| 1．2 国内外的研究动态 | 第9-11页 |
| 1．3 本文研究的主要内容 | 第11-12页 |
| 1．4 本文的组织结构 | 第12页 |
| 1．5 本文的特色与创新 | 第12-14页 |
| 第2章 人工神经网络的基本原理和方法 | 第14-27页 |
| 2．1 神经网络技术概述 | 第14页 |
| 2．2 神经网络的基本概念 | 第14-15页 |
| 2．3 前馈神经网络模型 | 第15-16页 |
| 2．4 BP神经网络的基本原理 | 第16-22页 |
| 2．4．1 BP网络模型及主要思想 | 第16-17页 |
| 2．4．2 BP算法的数学描述 | 第17-22页 |
| 2．5 改进的BP神经网络学习算法 | 第22-24页 |
| 2．5．1 传统BP算法的缺陷 | 第22页 |
| 2．5．2 传统BP算法的改进 | 第22-24页 |
| 2．6 改进BP算法与传统BP算法的性能对比研究 | 第24-27页 |
| 第3章 基于人工神经网络的混凝土强度传统预测模型 | 第27-35页 |
| 3．1 神经网络直接预测模型 | 第28-29页 |
| 3．1．1 基本思想 | 第28页 |
| 3．1．2 模型缺陷 | 第28-29页 |
| 3．2 基于统计的神经网络预测模型 | 第29-35页 |
| 3．2．1 主成分分析方法的基本思想 | 第29页 |
| 3．2．2 主成分分析方法的数学模型 | 第29-31页 |
| 3．2．3 主成分数目的选取 | 第31-32页 |
| 3．2．4 主成分分析方法的计算步骤 | 第32-33页 |
| 3．2．5 主成分分析方法在网络建模中的应用 | 第33页 |
| 3．2．6 模型缺陷 | 第33-35页 |
| 第4章 基于人工神经网络的非线性主成分分析方法 | 第35-47页 |
| 4．1 非线性主成分分析的神经网络模型 | 第35-41页 |
| 4．1．1 非线性主成分分析的基本原理 | 第35-36页 |
| 4．1．2 神经网络在非线性主成分分析中的应用 | 第36-37页 |
| 4．1．3 NLPCA神经网络模型的应用实例 | 第37-41页 |
| 4．2 改进的NLPCA神经网络模型 | 第41-46页 |
| 4．2．1 NLPCA神经网络模型结构的改进 | 第41页 |
| 4．2．2 改进的NLPCA神经网络模型性能研究 | 第41-46页 |
| 4．3 本章小结 | 第46-47页 |
| 第5章 基于NLPCA的人工神经网络混凝土强度预测模型 | 第47-60页 |
| 5．1 原始样本数据 | 第47-49页 |
| 5．2 原始样本数据的预处理 | 第49-53页 |
| 5．2．1 原始样本数据的归一化 | 第49-50页 |
| 5．2．2 原始样本数据的线性及非线性主成分分析 | 第50-53页 |
| 5．2．2．1 主成分分析计算结果 | 第50-51页 |
| 5．2．2．2 非线性主成分分析计算结果 | 第51-53页 |
| 5．3 混凝土强度预测模型的建立 | 第53-59页 |
| 5．3．1 神经网络直接预测模型 | 第53-55页 |
| 5．3．2 基于PCA的神经网络预测模型 | 第55-56页 |
| 5．3．3 基于NLPCA的神经网络预测模型 | 第56-58页 |
| 5．3．4 三种模型的性能对比 | 第58-59页 |
| 5．4 本章小结 | 第59-60页 |
| 第6章 结论与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 作者在硕士研究生学习期间发表的学术论文 | 第66-67页 |
| 致谢 | 第67页 |