中文摘要 | 第1-7页 |
1 引言 | 第7-11页 |
1.1 课题的研究背景与目的 | 第7-9页 |
1.2 技术方案 | 第9-11页 |
1.3 特色与创新 | 第11页 |
2 遗传算法的基本原理和方法 | 第11-19页 |
2.1 遗传算法的基本概念 | 第11-12页 |
2.2 遗传算法的实现 | 第12-18页 |
2.2.1 编码操作 | 第13-14页 |
2.2.2 生成初始群体 | 第14-15页 |
2.2.3 遗传算法的基本操作 | 第15-18页 |
2.3 遗传算法的特点和优点 | 第18-19页 |
3 神经网络的基本原理和方法 | 第19-24页 |
3.1 神经网络的基本概念 | 第19-20页 |
3.2 前馈神经网络模型 | 第20-21页 |
3.3 BP学习算法(back-propagation) | 第21-24页 |
3.3.1 BP模型 | 第21-22页 |
3.3.2 学习算法 | 第22-23页 |
3.3.3 BP学习算法的缺点 | 第23-24页 |
4 用GA优化神经网络的基本原理 | 第24-27页 |
4.1 用GA优化神经网络的基本思想 | 第24-25页 |
4.2 用GA优化神经网络权重 | 第25-27页 |
5 应用遗传神经网进行粉煤灰混凝土强度预测和配合比设计 | 第27-47页 |
5.1 用GA+BP优化神经网络权重 | 第27-29页 |
5.2 粉煤灰混凝土强度预测模型的建立 | 第29-33页 |
5.2.1 数据标准化 | 第29-31页 |
5.2.2 模型中各种参数的设置 | 第31页 |
5.2.3 遗传算法设计 | 第31-33页 |
5.3 粉煤灰混凝土强度预测的计算机实现及其实例应用 | 第33-43页 |
5.4 粉煤灰混凝土配合比设计 | 第43-47页 |
5.4.1 基于遗传神经网的配合比设计的思想 | 第43-44页 |
5.4.2 具体实现步骤 | 第44-46页 |
5.4.3 应用实例 | 第46-47页 |
6 相关问题探讨 | 第47-48页 |
6.1 模型参数的选取 | 第47页 |
6.2 模型的建立问题 | 第47-48页 |
7 结语和展望 | 第48-50页 |
参考文献 | 第50-57页 |
英文摘要 | 第57-58页 |
致谢 | 第58页 |