基于改进的回声状态神经网络的非线性预测
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 前言 | 第10-12页 |
| 第一章 混沌时间序列与人工神经网络 | 第12-25页 |
| ·混沌的由来 | 第12页 |
| ·混沌的重要特征量 | 第12-14页 |
| ·Lyapumov指数 | 第13页 |
| ·关联维 | 第13-14页 |
| ·混沌时间序列预测的主要方法 | 第14-16页 |
| ·全域法 | 第14-15页 |
| ·局域法 | 第15页 |
| ·加权零阶局域法 | 第15-16页 |
| ·基于最大Lyapumov指数法 | 第16页 |
| ·神经网络方法 | 第16页 |
| ·人工神经网络 | 第16-19页 |
| ·生物神经网络的工作机制 | 第17-18页 |
| ·人工神经网络的基本单元 | 第18-19页 |
| ·人工神经网络的结构 | 第19-21页 |
| ·前向网络 | 第19页 |
| ·有反馈的前向网络 | 第19-20页 |
| ·层内有相互结合的前向网络 | 第20页 |
| ·循环网络 | 第20-21页 |
| ·人工神经网络的学习方法与运行机制 | 第21-24页 |
| ·两种重要的神经网络学习方法 | 第21-22页 |
| ·循环网络的主要学习方法 | 第22-24页 |
| ·小结 | 第24-25页 |
| 第二章 回声状态神经网络与小波神经网络的对比研究 | 第25-43页 |
| ·回声状态神经网络的静态结构组成 | 第25-27页 |
| ·回声状态网络的运行与学习过程 | 第27-30页 |
| ·回声状态网络的理论分析 | 第30-33页 |
| ·小波神经网络及小波神经元 | 第33-40页 |
| ·小波分析原理 | 第33-36页 |
| ·小波神经网络的结构 | 第36-40页 |
| ·小波神经元 | 第40页 |
| ·小波神经元与S形神经元的比较 | 第40-41页 |
| ·小结 | 第41-43页 |
| 第三章 S与小波神经元的混合回声状态网络 | 第43-50页 |
| ·神经网络构建过程中的先验知识 | 第43-44页 |
| ·使用传统神经元的回声状态网络的缺陷 | 第44-46页 |
| ·小波与S形神经元混合回声状态网络算法 | 第46-49页 |
| ·小结 | 第49-50页 |
| 第四章 混沌时间序列预测的对比测试实验 | 第50-58页 |
| ·MGS系统与实验的数据准备 | 第50-51页 |
| ·测试的模型准备 | 第51-53页 |
| ·实验内容与结果 | 第53-57页 |
| ·计算学习阶段与预测阶段的平均平方误差MSE | 第53-56页 |
| ·两种模型的稳定性对比 | 第56-57页 |
| ·小结 | 第57-58页 |
| 第五章 使用PSO优化参数的SWHESN的应用 | 第58-66页 |
| ·PSO算法 | 第58-60页 |
| ·优化原理 | 第58页 |
| ·数学表达公式 | 第58-59页 |
| ·PSO算法的动态流程 | 第59页 |
| ·PSO的全局模式与领域模式 | 第59-60页 |
| ·水下机器人的控制背景介绍 | 第60-61页 |
| ·预测任务流程 | 第61-62页 |
| ·优化结果与实验结果 | 第62-64页 |
| ·小结 | 第64-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 参考文献 | 第68-70页 |
| 研究生期间的发表文章 | 第70-71页 |
| 致谢 | 第71页 |
