| 摘要 | 第1-6页 |
| ABSTRACT | 第6-14页 |
| 第一章 绪论 | 第14-22页 |
| ·研究背景 | 第14-19页 |
| ·工程背景 | 第14页 |
| ·理论背景 | 第14-19页 |
| ·本论文研究动机及意义 | 第19-21页 |
| ·本论文工作安排 | 第21-22页 |
| 第二章 基于回归神经网络的时序数据建模及预测 | 第22-44页 |
| ·时序数据建模及预测 | 第22-23页 |
| ·基于神经网络的时序数据建模及预测 | 第23-27页 |
| ·基于回归神经网络的时序关联数据建模及预测 | 第27-43页 |
| ·仿真目的 | 第28页 |
| ·标准问题 | 第28-43页 |
| ·逻辑映射(Logistic Map)问题 | 第28-31页 |
| ·Mackey—Glass混沌时间序列 | 第31-39页 |
| ·奇偶数流 | 第39-43页 |
| ·本章小结 | 第43-44页 |
| 第三章 回归神经网络综合结构及其典型训练算法 | 第44-54页 |
| ·引言 | 第44页 |
| ·分层全回归神经网络综合结构 | 第44-48页 |
| ·回归神经网络典型训练算法 | 第48-52页 |
| ·基于一阶导数信息的训练算法 | 第48-51页 |
| ·典型算法(1)—RTRL算法 | 第48-49页 |
| ·典型算法(2)—BPTT算法 | 第49-51页 |
| ·基于二阶导数信息的训练算法 | 第51-52页 |
| ·基于EKF的训练算法 | 第51-52页 |
| ·算法的比较与分析 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第四章 基于进化算法的回归神经网络设计与训练 | 第54-74页 |
| ·引言 | 第54-57页 |
| ·进化算法简介 | 第54-57页 |
| ·进化算法与神经网络的结合 | 第57-68页 |
| ·进化算法与神经网络结合的主要研究问题 | 第58-62页 |
| ·编码方式 | 第58-60页 |
| ·适应度评估 | 第60-61页 |
| ·进化操作 | 第61-62页 |
| ·进化神经网络中的置换问题 | 第62-64页 |
| ·一个有代表性的进化神经网络系统 | 第64-66页 |
| ·进化算法与回归神经网络的结合 | 第66-68页 |
| ·一个基本的回归神经网络进化系统BERNN | 第68-73页 |
| ·个体基因型表达 | 第69-70页 |
| ·适应度评估函数 | 第70页 |
| ·进化操作 | 第70-72页 |
| ·选择操作 | 第70-71页 |
| ·交叉操作 | 第71页 |
| ·变异操作 | 第71-72页 |
| ·最优个体保留策略 | 第72页 |
| ·仿真研究 | 第72-73页 |
| ·本章小结 | 第73-74页 |
| 第五章 改进的进化回归神经网络系统 | 第74-91页 |
| ·引言 | 第74页 |
| ·改进的进化回归神经网络系统 | 第74-89页 |
| ·适应度评估函数的改进 | 第74-81页 |
| ·变异操作的改进 | 第81-86页 |
| ·变异参数的自适应调整 | 第81-82页 |
| ·变异形式的改进 | 第82-84页 |
| ·交叉和变异概率的协同调整 | 第84-86页 |
| ·最优个体保留策略的改进 | 第86页 |
| ·综合仿真 | 第86-89页 |
| ·本章小结 | 第89-91页 |
| 第六章 进化回归神经网络在化工过程软测量中的应用 | 第91-105页 |
| ·软测量技术简介 | 第91页 |
| ·锌钡白生产过程、参数及质量指标 | 第91-97页 |
| ·锌钡白生产转窑工况简介 | 第91-93页 |
| ·锌钡白产品主要质量指标 | 第93-95页 |
| ·干燥煅烧生产因素对质量指标的影响 | 第95-96页 |
| ·各生产因素的可测性 | 第96页 |
| ·主要生产因素经验值 | 第96-97页 |
| ·锌钡白产品质量指标软测量 | 第97-104页 |
| ·过程数据的预分析处理 | 第98-99页 |
| ·基于Elman型回归神经网络的质量指标软测量模型 | 第99-103页 |
| ·基于进化回归神经网络的质量指标软测量模型 | 第103-104页 |
| ·本章小结 | 第104-105页 |
| 第七章 MERNN软测量模型的改进 | 第105-115页 |
| ·MEANN软测量模型存在的问题 | 第105页 |
| ·引入局部学习提高建模效率 | 第105-109页 |
| ·进化与学习的关系 | 第105-106页 |
| ·基于简化梯度下降训练算法的学习机制 | 第106-109页 |
| ·简化的RTRL算法 | 第107-108页 |
| ·学习机制与进化回归神经网络的结合方式 | 第108页 |
| ·仿真研究 | 第108-109页 |
| ·基于bootstrap的软测量模型补偿方法 | 第109-113页 |
| ·Bootstrap方法的原理及主要步骤 | 第109-110页 |
| ·基于Bootstrap方法的软测量模型统计补偿 | 第110-112页 |
| ·仿真结果 | 第112-113页 |
| ·本章小结 | 第113-115页 |
| 结论 | 第115-117页 |
| 参考文献 | 第117-125页 |
| 攻读博士学位期间所完成的论文 | 第125-126页 |
| 致谢 | 第126页 |