| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| Contents | 第10-13页 |
| 第一章 绪论 | 第13-17页 |
| ·空气环境质量评价的意义及现状 | 第13页 |
| ·人工神经网络概述 | 第13-14页 |
| ·模糊理论概述 | 第14-15页 |
| ·本论文主要研究内容和目的 | 第15-17页 |
| 第二章 BP神经网络与模糊神经网络 | 第17-29页 |
| ·BP神经网络的结构及学习算法 | 第17-20页 |
| ·BP神经网络的结构 | 第17页 |
| ·BP神经网络基本学习算法 | 第17-20页 |
| ·与BP神经网络有关的几个重要问题 | 第20-23页 |
| ·BP神经网络学习过程中要注意的几个问题 | 第20-22页 |
| ·BP网络的优点和缺点 | 第22页 |
| ·BP神经网络学习算法的改进 | 第22-23页 |
| ·模糊理论与神经网络的结合 | 第23页 |
| ·模糊神经网络的结构及学习算法 | 第23-29页 |
| ·模糊系统的Takagi-Sugeno模型 | 第24页 |
| ·基于T-S模型的模糊神经网络系统结构 | 第24-26页 |
| ·模糊神经网络的学习算法 | 第26-29页 |
| 第三章 BP神经网络在空气环境质量评价中的实现 | 第29-65页 |
| ·BP神经网络设计的一般步骤 | 第29-32页 |
| ·样本的获取 | 第29页 |
| ·神经网络拓扑结构的确定 | 第29-30页 |
| ·网络初始连接权值和阀值的确定 | 第30页 |
| ·BP神经网络的训练 | 第30-31页 |
| ·网络模型的性能和泛化能力 | 第31页 |
| ·合理网络模型的确定 | 第31-32页 |
| ·训练样本的得到 | 第32-36页 |
| ·运用批处理训练算法对空气环境质量进行评价 | 第36-54页 |
| ·最速下降BP算法(steepest descent backpropagation,SDBP) | 第37-43页 |
| ·动量BP算法(momentum backpropagation,MOBP) | 第43-48页 |
| ·学习率可变的BP算法(Variable learnling rate backpropagation,VLBP)#36 | 第48-50页 |
| ·弹性BP算法(resilient backpropagation,RPROP) | 第50-52页 |
| ·LM(levenberg-marquardt)算法 | 第52-54页 |
| ·运用增加训练方法对空气环境质量进行评价 | 第54-57页 |
| ·运用提前终止法对空气环境质量进行评价 | 第57-60页 |
| ·应用BP神经网络对广州市空气环境质量进行评价 | 第60-63页 |
| ·广州市空气环境质量概况 | 第60页 |
| ·BP神经网络用于广州市空气环境质量评价 | 第60-63页 |
| ·本章小结 | 第63-65页 |
| 第四章 模糊神经网络在空气质量评价中的实现 | 第65-71页 |
| ·模糊神经网络的设计方法 | 第65-66页 |
| ·评价模型参数的确定和训练样本的获取 | 第66页 |
| ·建立模糊推理系统对空气环境质量进行评价 | 第66-69页 |
| ·训练数据和测试数据的加载 | 第67页 |
| ·生成模糊推理系统 | 第67-68页 |
| ·训练自适应神经模糊推理系统 | 第68页 |
| ·利用建立的ANFIS对空气环境质量进行评价 | 第68-69页 |
| ·本章小结 | 第69-71页 |
| 第五章 BP神经网络与模糊神经网络在空气环境质量评价中的对比 | 第71-74页 |
| ·两种网络模型结构上的对比 | 第71-72页 |
| ·学习算法和训练方式的对比 | 第72页 |
| ·两种网络在空气环境质量评价中的对比 | 第72-73页 |
| ·本章小结 | 第73-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-78页 |
| 攻读硕士学位期间发表的学术论文 | 第78-80页 |
| 致谢 | 第80-81页 |
| 附录 | 第81-94页 |
