| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.2.1 国内研究现状 | 第13页 |
| 1.2.2 国外研究现状 | 第13-14页 |
| 1.3 本文工作 | 第14-15页 |
| 1.4 组织结构 | 第15-16页 |
| 第2章 BP神经网络与遗传算法 | 第16-28页 |
| 2.1 神经网络 | 第16-19页 |
| 2.1.1 人工神经元 | 第16-17页 |
| 2.1.2 网络拓扑结构 | 第17-19页 |
| 2.1.3 神经网络应用 | 第19页 |
| 2.2 BP神经网络 | 第19-21页 |
| 2.2.1 BP神经网络算法 | 第19-20页 |
| 2.2.2 信号正向传播 | 第20页 |
| 2.2.3 误差反向传播 | 第20-21页 |
| 2.2.4 BP神经网络的优缺点 | 第21页 |
| 2.3 遗传算法 | 第21-26页 |
| 2.3.1 遗传算法术语 | 第22页 |
| 2.3.2 遗传算法基本原理 | 第22-23页 |
| 2.3.3 遗传算法构成要素 | 第23-26页 |
| 2.4 遗传算法的缺陷 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 遗传算法优化BP神经网络模型设计 | 第28-34页 |
| 3.1 遗传算法优化BP神经网络 | 第28-30页 |
| 3.1.1 算法流程 | 第28-29页 |
| 3.1.2 编码规则 | 第29-30页 |
| 3.1.3 初始化种群 | 第30页 |
| 3.1.4 遗传算子 | 第30页 |
| 3.1.5 适应度函数 | 第30页 |
| 3.2 自适应遗传算法的改进 | 第30-33页 |
| 3.2.1 自适应遗传算法 | 第30-31页 |
| 3.2.2 改进的自适应遗传算法 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 BP神经网络在汽车油耗计算模型中的应用 | 第34-48页 |
| 4.1 汽车油耗计算模型的设计 | 第34页 |
| 4.2 计算模型参数选取 | 第34-35页 |
| 4.3 神经网络结构参数设计 | 第35页 |
| 4.3.1 隐含层个数的设计 | 第35页 |
| 4.3.2 隐层神经元个数的设计 | 第35页 |
| 4.4 样本数据分析与预处理 | 第35-37页 |
| 4.4.1 样本数据分析 | 第35-36页 |
| 4.4.2 数据预处理 | 第36-37页 |
| 4.5 实验环境与工具 | 第37页 |
| 4.6 仿真实验 | 第37-46页 |
| 4.6.1 实验一：GA-BP VS标准BP | 第37-40页 |
| 4.6.2 实验二：AGA-BP VS GA-BP | 第40-43页 |
| 4.6.3 实验三：IAGA-BP vs AGA-BP | 第43-46页 |
| 4.7 本章小结 | 第46-48页 |
| 结论与展望 | 第48-50页 |
| 总结 | 第48-49页 |
| 展望 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 攻读学位期间发表的学术论文 | 第54-56页 |
| 致谢 | 第56页 |