| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究的背景和意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 本文的研究意义 | 第13-14页 |
| 1.2 区间神经网络研究动态 | 第14-15页 |
| 1.3 本文的主要内容与思路 | 第15-18页 |
| 第2章 小波理论及小波神经网络 | 第18-30页 |
| 2.1 小波理论基础 | 第18页 |
| 2.2 基于小波理论的神经网络模型构造 | 第18-21页 |
| 2.2.1 松散型小波神经网络模型 | 第19页 |
| 2.2.2 紧致型小波神经网络模型 | 第19-21页 |
| 2.2.3 小波神经网络结构特点 | 第21页 |
| 2.3 小波基函数特征 | 第21-27页 |
| 2.3.1 一般人工神经网络基函数 | 第21-23页 |
| 2.3.2 小波基函数 | 第23-25页 |
| 2.3.3 小波基函数特征分析 | 第25-27页 |
| 2.4 小波神经网络收敛性分析 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第3章 区间理论及区间小波神经网络研究 | 第30-56页 |
| 3.1 区间理论基础 | 第30-33页 |
| 3.1.1 区间数及相关概念 | 第30-31页 |
| 3.1.2 基本区间运算 | 第31-32页 |
| 3.1.3 区间运算性质 | 第32-33页 |
| 3.2 定理 | 第33-36页 |
| 3.3 区间小波神经网络结构 | 第36-38页 |
| 3.3.1 第一类区间小波神经网络 | 第36-37页 |
| 3.3.2 第二类区间小波神经网络 | 第37-38页 |
| 3.4 基于梯度下降法的权值学习 | 第38-49页 |
| 3.4.1 第一类区间小波神经网络权值学习算法 | 第39-46页 |
| 3.4.2 第二类区间小波神经网络权值学习算法 | 第46-49页 |
| 3.5 第一类扩展区间小波神经网络 | 第49-53页 |
| 3.5.1 第一类扩展区间小波神经网络结构 | 第49-51页 |
| 3.5.2 第一类扩展区间小波神经梯度下降学习算法 | 第51-53页 |
| 3.6 区间小波神经网络梯度下降学习算法改进 | 第53-55页 |
| 3.6.1 关于极值点导数的处理 | 第53-54页 |
| 3.6.2 学习算法的改进 | 第54-55页 |
| 3.7 本章小结 | 第55-56页 |
| 第4章 PM2.5检测硬件平台 | 第56-76页 |
| 4.1 便携式激光PM2.5浓度检测装置结构 | 第56-57页 |
| 4.2 激光检测PM2.5浓度基本原理 | 第57-60页 |
| 4.3 PM2.5浓度检测测控系统硬件设计 | 第60-74页 |
| 4.3.1 测量计算系统硬件设计 | 第60-68页 |
| 4.3.2 显示控制系统硬件设计 | 第68-74页 |
| 4.4 本章小结 | 第74-76页 |
| 第5章 PM2.5检测区间小波神经网络模型 | 第76-84页 |
| 5.1 区间小波神经网络应用背景与意义 | 第76-77页 |
| 5.1.1 第一类区间小波神经网络应用背景与意义 | 第76页 |
| 5.1.2 第二类区间小波神经网络应用背景与意义 | 第76-77页 |
| 5.2 第一类扩展区间小波神经网络模型PM2.5检测模型 | 第77-81页 |
| 5.2.1 输入变量选取 | 第77页 |
| 5.2.2 输出变量处理 | 第77-78页 |
| 5.2.3 网络结构确定 | 第78页 |
| 5.2.4 小波网络参数初始化及训练 | 第78-79页 |
| 5.2.5 扩展区间小波神经网络建模 | 第79-81页 |
| 5.3 区间小波神经网络与传统小波神经网络对比 | 第81-83页 |
| 5.4 本章小结 | 第83-84页 |
| 第6章 总结与展望 | 第84-86页 |
| 参考文献 | 第86-90页 |
| 致谢 | 第90页 |