| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-14页 |
| ·研究背景及意义 | 第10页 |
| ·国内外研究现状 | 第10-12页 |
| ·RBF 神经网络及优化方法 | 第10-11页 |
| ·差分进化算法的研究现状 | 第11-12页 |
| ·RBF 与差分进化算法 | 第12页 |
| ·本文研究内容 | 第12-13页 |
| ·本章小结 | 第13-14页 |
| 第二章 径向基（RBF）神经网络 | 第14-23页 |
| ·人工神经网络简介 | 第14-15页 |
| ·神经网络的基本特征 | 第14页 |
| ·神经网络的功能 | 第14页 |
| ·神经网络的应用领域 | 第14-15页 |
| ·人工神经网络模型及分类 | 第15-17页 |
| ·人工神经网络模型 | 第15-16页 |
| ·人工神经网络的分类 | 第16-17页 |
| ·径向基神经网络 | 第17-22页 |
| ·RBF 神经网络模型 | 第17-19页 |
| ·径向基神经网络的学习算法 | 第19-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 差分进化算法 | 第23-35页 |
| ·差分进化算法概述 | 第23-24页 |
| ·标准差分进化算法 | 第24-27页 |
| ·变异算子 | 第25页 |
| ·交叉算子 | 第25-26页 |
| ·选择算子 | 第26-27页 |
| ·差分进化算法的改进方式 | 第27-31页 |
| ·控制参数的动态调整 | 第27-30页 |
| ·差分变异策略的改进 | 第30页 |
| ·种群重构 | 第30-31页 |
| ·多种群进化策略 | 第31页 |
| ·离散差分进化算法 | 第31-34页 |
| ·差分进化算法的离散化方法 | 第32-33页 |
| ·二进制差分进化算法 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 基于混合递阶差分进化算法的 RBF 神经网络优化 | 第35-58页 |
| ·递阶差分进化算法 | 第35-39页 |
| ·个体的递阶基因结构设计 | 第35-37页 |
| ·变量描述与初始化 | 第37页 |
| ·HDE 算法的变异操作 | 第37页 |
| ·HDE 算法的交叉操作 | 第37-38页 |
| ·HDE 算法的选择操作 | 第38-39页 |
| ·基于 HHDE 算法的 RBF 神经网络优化 | 第39-43页 |
| ·混合编码 | 第40-41页 |
| ·适应度函数 | 第41页 |
| ·基于 HHDE 算法的 RBF 神经网络优化的算法设计 | 第41-43页 |
| ·应用实例 | 第43-57页 |
| ·基于混合递阶遗传算法的 RBF 神经网络优化算计 | 第43-45页 |
| ·模式识别问题 | 第45-47页 |
| ·非线性系统的辨识 | 第47-52页 |
| ·函数逼近问题 | 第52-57页 |
| ·本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录 基于 HHDE 算法的 RBF 网络训练程序 | 第62-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68-69页 |
| 附件 | 第69页 |
