基于混合优化的神经网络在气象灾情评估中的应用研究
| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·国外研究现状 | 第10-11页 |
| ·国内研究现状 | 第11-12页 |
| ·本文的研究内容 | 第12-13页 |
| ·论文的组织结构 | 第13-14页 |
| 第二章 人工神经网络理论概述 | 第14-26页 |
| ·人工神经网络的发展历史 | 第14-15页 |
| ·人工神经网络模型 | 第15-18页 |
| ·生物神经元的结构 | 第15-16页 |
| ·神经元结构模型 | 第16-17页 |
| ·激活转移函数 | 第17-18页 |
| ·人工神经网络的分类 | 第18-20页 |
| ·BP神经网络模型 | 第20-25页 |
| ·BP神经网络的结构 | 第20-21页 |
| ·BP神经网络的学习算法 | 第21-23页 |
| ·BP神经网络的主要优缺点 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 混合粒子群算法 | 第26-45页 |
| ·粒子群算法 | 第26-31页 |
| ·粒子群算法思想的起源 | 第26-27页 |
| ·粒子群算法的基本原理 | 第27-28页 |
| ·粒子群算法的基本流程 | 第28-29页 |
| ·粒子群算法的优缺点 | 第29-30页 |
| ·粒子群算法的参数设置 | 第30-31页 |
| ·遗传算法 | 第31-36页 |
| ·遗传算法的基本思想 | 第32页 |
| ·遗传算法的描述 | 第32-33页 |
| ·遗传算法的流程 | 第33-34页 |
| ·遗传算法的特点 | 第34-35页 |
| ·遗传算法与粒子群算法的比较 | 第35-36页 |
| ·含交叉因子的改进PSO-GA混合算法 | 第36-39页 |
| ·改进算法的思想 | 第36页 |
| ·IPGC算法的描述 | 第36-38页 |
| ·改进交叉因子及算法的特点 | 第38-39页 |
| ·IPGC算法的流程图 | 第39页 |
| ·应用与验证 | 第39-43页 |
| ·问题描述 | 第39-40页 |
| ·应用与验证 | 第40-43页 |
| ·本章小结 | 第43-45页 |
| 第四章 基于混合优化神经网络的洪灾评估模型研究 | 第45-56页 |
| ·灾情评估指标 | 第45-47页 |
| ·评估因子的选取 | 第46页 |
| ·灾度等级的划分 | 第46-47页 |
| ·基于BP神经网络的洪水灾情评估模型 | 第47-49页 |
| ·BP网络洪灾评估模型的建立 | 第47-49页 |
| ·基于粒子群算法的洪水灾情评估神经网络模型 | 第49-52页 |
| ·PSO优化BP神经网络模型设计思路 | 第49-50页 |
| ·PSO优化BP神经网络参数 | 第50-52页 |
| ·基于混合优化BP神经网络的洪灾评估模型 | 第52-55页 |
| ·混合优化BP神经网络模型设计思路 | 第52页 |
| ·IPGC优化神经网络参数 | 第52-54页 |
| ·数据预处理 | 第54-55页 |
| ·网络的训练和测试 | 第55页 |
| ·本章小结 | 第55-56页 |
| 第五章 应用实例与结果分析 | 第56-72页 |
| ·应用实例一 | 第56-62页 |
| ·数据来源 | 第56-57页 |
| ·网络训练及参数的选择 | 第57-61页 |
| ·样本数据测试及实验结果分析 | 第61-62页 |
| ·应用实例二 | 第62-71页 |
| ·数据来源 | 第62页 |
| ·样本生成 | 第62-64页 |
| ·网络训练及参数的选择 | 第64-68页 |
| ·样本数据测试及实验结果分析 | 第68-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| ·论文总结 | 第72-73页 |
| ·工作展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 作者简介 | 第80页 |
