| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·引言 | 第8页 |
| ·智能建模概述 | 第8-12页 |
| ·建模简介 | 第8-9页 |
| ·人工智能简介 | 第9-10页 |
| ·智能建模的定义和研究现状 | 第10-11页 |
| ·研究智能建模新方法的意义 | 第11-12页 |
| ·本文主要内容及结构 | 第12-14页 |
| ·主要内容 | 第12页 |
| ·行文结构 | 第12-14页 |
| 第二章 人工神经网络系统辨识 | 第14-20页 |
| ·引言 | 第14页 |
| ·人工神经网络的基本结构 | 第14-17页 |
| ·生物神经元及生物神经网络 | 第14-15页 |
| ·人工神经元及人工神经网络 | 第15-17页 |
| ·人工神经网络的模型结构和学习算法 | 第17-19页 |
| ·模型结构和学习算法概述 | 第17-18页 |
| ·常用的学习算法和网络模型 | 第18-19页 |
| ·人工神经网络在系统辨识领域中的应用 | 第19页 |
| ·本章小结 | 第19-20页 |
| 第三章 模糊系统辨识 | 第20-24页 |
| ·引言 | 第20页 |
| ·模糊系统简介 | 第20-22页 |
| ·模糊集合的概念 | 第20页 |
| ·模糊系统的基本结构 | 第20-22页 |
| ·模糊系统辨识简介 | 第22页 |
| ·本章小结 | 第22-24页 |
| 第四章 针对小样本数据集的鲁棒单隐层前馈网络建模方法 | 第24-36页 |
| ·引言 | 第24页 |
| ·单隐层前馈神经网络 | 第24-26页 |
| ·结构和数学描述 | 第24-25页 |
| ·经典的SLFN 学习算法 | 第25-26页 |
| ·经典SLFN 学习算法之不足 | 第26页 |
| ·针对小样本数据集的鲁棒SLFN 学习算法 | 第26-28页 |
| ·不敏感度量和结构风险 | 第26-27页 |
| ·基于不敏感度量和结构风险的学习目标函数 | 第27页 |
| ·理论推导和算法 | 第27-28页 |
| ·实验研究 | 第28-34页 |
| ·实验设置 | 第28-29页 |
| ·人工数据集的回归估计 | 第29-30页 |
| ·真实数据集的回归估计 | 第30-33页 |
| ·实验总结 | 第33-34页 |
| ·本章小结 | 第34-36页 |
| 第五章 两阶段可加性广义模糊系统构建方法 | 第36-54页 |
| ·引言 | 第36-38页 |
| ·广义模糊系统的定义 | 第36页 |
| ·广义模糊系统的发展状况 | 第36-38页 |
| ·本章的思想和工作 | 第38页 |
| ·AGFM 及其学习方法简介 | 第38-42页 |
| ·AGFM 简介 | 第38-39页 |
| ·当前典型AGFM 学习方法简介 | 第39-42页 |
| ·两阶段AGFS 构建方法 | 第42-46页 |
| ·基于高斯混合密度估计的AGFS 初始化构建 | 第42页 |
| ·基于不敏感度量和结构风险的AGFS 增强学习 | 第42-46页 |
| ·实验研究 | 第46-53页 |
| ·实验设置 | 第46-47页 |
| ·人工数据集的回归估计 | 第47-49页 |
| ·真实数据集的回归估计 | 第49-53页 |
| ·实验总结 | 第53页 |
| ·本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| ·本文工作总结 | 第54页 |
| ·未来工作展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第61页 |