| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.3 研究内容 | 第16-18页 |
| 1.4 论文框架 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第2章 城市医疗废弃物运输动态路径 | 第20-28页 |
| 2.1 城市医疗废弃物及其回收的内涵 | 第20-24页 |
| 2.1.1 城市医疗废弃物的概念及分类 | 第20页 |
| 2.1.2 城市医疗废弃物回收网络涵义 | 第20-21页 |
| 2.1.3 医疗废弃物管理现状及存在问题 | 第21-24页 |
| 2.2 运输动态路径 | 第24-25页 |
| 2.2.1 运输动态路径概述 | 第24页 |
| 2.2.2 交通流预测 | 第24-25页 |
| 2.3 城市医疗废弃物运输动态路径 | 第25-27页 |
| 2.3.1 城市医疗废弃物运输路径选择的现状 | 第25-26页 |
| 2.3.2 城市医疗废弃物运输动态路径的必要性 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 医疗废弃物动态路径模型的建立 | 第28-36页 |
| 3.1 城市医疗废弃物动态路径模型的问题描述 | 第28-29页 |
| 3.2 城市医疗废弃物运输动态路径概念性模型 | 第29-33页 |
| 3.2.1 医疗废弃物运输路线选择模型 | 第29-31页 |
| 3.2.2 医疗废弃物动态运输路线选择模型 | 第31-33页 |
| 3.3 道路拥挤程度比率的设定 | 第33页 |
| 3.4 医疗废弃物动态路径的数学模型建立 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 医疗废弃物动态路径模型的算法设计 | 第36-48页 |
| 4.1 基于BP神经网络的医疗废弃物交通流预测 | 第36-40页 |
| 4.1.1 BP神经网络概述 | 第37-39页 |
| 4.1.2 标准BP神经网络存在的问题 | 第39-40页 |
| 4.2 BP神经网络训练算法改进 | 第40-43页 |
| 4.2.1 自适应学习率的训练方法 | 第40-41页 |
| 4.2.2 动量—自适应学习率的训练方法 | 第41-42页 |
| 4.2.3 BP神经网络隐层节点设计算法 | 第42-43页 |
| 4.3 基于蚁群算法的最短路确定 | 第43-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 实例验证及结果分析 | 第48-66页 |
| 5.1 大连市沙河口区医疗废弃物管理现状及回收网络布局现状分析 | 第48-54页 |
| 5.1.1 大连市沙河口区道路网络分析 | 第48-50页 |
| 5.1.2 大连市沙河口区医疗废弃物产生、处置及回收点分析 | 第50-53页 |
| 5.1.3 大连市沙河口区医疗废弃物车辆数目和类型 | 第53页 |
| 5.1.4 大连市沙河口区医疗废弃物回收网络布局 | 第53-54页 |
| 5.2 大连市沙河口区医疗废弃物回收网络路径优化模型描述 | 第54-55页 |
| 5.3 基于动态路径规划的城市医疗废弃物回收研究的算法流程图 | 第55-57页 |
| 5.4 基于BP神经网络的医疗废弃物交通流预测求解及结果分析 | 第57-61页 |
| 5.4.1 样本数据采集与处理 | 第57页 |
| 5.4.2 BP神经网络模型相关的系数设定 | 第57页 |
| 5.4.3 自适应学习率训练结果 | 第57-59页 |
| 5.4.4 动量——自适应学习率训练结果 | 第59-60页 |
| 5.4.5 两种方法预测结果对比分析 | 第60-61页 |
| 5.5 基于蚁群算法的最短路径求解及结果分析 | 第61-65页 |
| 5.6 本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 附录1 车辆行驶平均速度 | 第71-73页 |
| 附录2 沙河口区医疗机构数据表 | 第73-76页 |
| 附录3 改进的BP神经网络Matlab程序 | 第76-78页 |
| 附录4 蚁群算法Matlab程序 | 第78-84页 |
| 致谢 | 第84页 |
