| 摘要 | 第4-6页 |
| ABSTRACT | 第6页 |
| 致谢 | 第10-16页 |
| 第一章 绪论 | 第16-50页 |
| 1.1 神经网络理论的发展概述 | 第16-18页 |
| 1.2 神经网络基本概念 | 第18-22页 |
| 1.2.1 典型的神经网络结构 | 第18-19页 |
| 1.2.2 学习方式 | 第19-21页 |
| 1.2.3 学习算法 | 第21-22页 |
| 1.3 神经网络学习理论 | 第22-37页 |
| 1.3.1 学习的统计性能 | 第22-29页 |
| 1.3.1.1 经验风险最小化原则 | 第23-25页 |
| 1.3.1.2 VC维数 | 第25-26页 |
| 1.3.1.3 一致收敛的速度 | 第26-28页 |
| 1.3.1.4 结构风险最小化 | 第28-29页 |
| 1.3.2 学习的计算复杂性 | 第29-30页 |
| 1.3.3 学习的动态特性 | 第30-33页 |
| 1.3.3.1 通用学习过程 | 第30-32页 |
| 1.3.3.2 LMS规则 | 第32页 |
| 1.3.3.3 Hebb规则 | 第32-33页 |
| 1.3.3.4 Oja规则 | 第33页 |
| 1.3.4 推广能力 | 第33-37页 |
| 1.3.4.1 定性分析 | 第34页 |
| 1.3.4.2 平均推广能力 | 第34-36页 |
| 1.3.4.3 样本量问题 | 第36-37页 |
| 1.4 神经网络用于控制的原因及应用领域 | 第37-39页 |
| 1.5 研究现状 | 第39-47页 |
| 1.5.1 神经网络算法的研究 | 第39-42页 |
| 1.5.2 神经网络应用的研究 | 第42-47页 |
| 1.6 本文主要内容 | 第47-50页 |
| 第二章 基于最小二乘法的傅立叶神经网络研究 | 第50-62页 |
| 2.1 引言 | 第50-51页 |
| 2.2 傅立叶神经网络 | 第51-56页 |
| 2.2.1 傅立叶级数 | 第51-52页 |
| 2.2.2 傅立叶神经网络 | 第52-54页 |
| 2.2.3 基于最小二乘法的学习算法 | 第54-56页 |
| 2.3 仿真研究 | 第56-61页 |
| 2.3.1 收敛速度仿真研究 | 第56-57页 |
| 2.3.2 泛化能力检验 | 第57-58页 |
| 2.3.3 降低噪声影响能力检验 | 第58-61页 |
| 2.4 结论 | 第61-62页 |
| 第三章 基于机理分析、系统辨识和RBF神经网络的混合建模方法 | 第62-74页 |
| 3.1 引言 | 第62-63页 |
| 3.2 基于机理分析和系统辨识的建模方法 | 第63-64页 |
| 3.3 RBF神经网络建模方法 | 第64-66页 |
| 3.3.1 学习算法 | 第64-66页 |
| 3.3.2 RBF神经网络建模 | 第66页 |
| 3.4 基于机理分析、系统辨识和RBF神经网络的混合建模方法 | 第66-67页 |
| 3.5 仿真研究 | 第67-71页 |
| 3.5.1 模型获取 | 第68-69页 |
| 3.5.2 泛化能力的比较 | 第69-71页 |
| 3.6 结论 | 第71-74页 |
| 第四章 基于BP神经网络逆模型的状态观测器 | 第74-82页 |
| 4.1 引言 | 第74-75页 |
| 4.2 基于神经网络逆模型的状态观测器 | 第75-79页 |
| 4.2.1 原理 | 第75-76页 |
| 4.2.2 系统的可逆性 | 第76-77页 |
| 4.2.3 神经网络逆模型 | 第77-78页 |
| 4.2.4 BP神经网络算法 | 第78-79页 |
| 4.3 仿真研究 | 第79-81页 |
| 4.4 结论 | 第81-82页 |
| 第五章 神经网络在高速公路交通事件检测中的应用 | 第82-106页 |
| 5.1 一种基于RBF神经网络和SOM神经网络的高速公路交通事件检测算法 | 第83-97页 |
| 5.1.1 前言 | 第83页 |
| 5.1.2 交通事件检测的原理 | 第83-85页 |
| 5.1.3 基于RBF神经网络的高速公路交通流模型 | 第85-88页 |
| 5.1.3.1 RBF神经网络的算法 | 第85-87页 |
| 5.1.3.2 RBF神经网络辨识交通流模型 | 第87-88页 |
| 5.1.4 SOM神经网络检测交通事件 | 第88-91页 |
| 5.1.4.1 残差的获取 | 第89页 |
| 5.1.4.2 SOM神经网络的学习算法 | 第89-90页 |
| 5.1.4.3 SOM对残差的分类 | 第90-91页 |
| 5.1.5 仿真研究 | 第91-95页 |
| 5.1.6 结论 | 第95-97页 |
| 5.2 基于ART2神经网络的高速公路交通事件检测算法 | 第97-106页 |
| 5.2.1 引言 | 第97页 |
| 5.2.2 交通事件检测的原理 | 第97-99页 |
| 5.2.3 ART2神经网络 | 第99-101页 |
| 5.2.4 ART2网络检测交通事件 | 第101-102页 |
| 5.2.4.1 残差的获取 | 第101页 |
| 5.2.4.2 ART2网络对残差的分类 | 第101-102页 |
| 5.2.5 仿真研究 | 第102-105页 |
| 5.2.6 结论 | 第105-106页 |
| 第六章 基于RBF神经网络的发酵时间模型和最优发酵温度模型建模方法研究 | 第106-116页 |
| 6.1 引言 | 第106-107页 |
| 6.2 阿维菌素的生产及传统过程控制 | 第107-108页 |
| 6.2.1 阿维菌素的生产 | 第107页 |
| 6.2.2 阿维菌素的传统生产过程控制 | 第107-108页 |
| 6.3 发酵时间长度和最优发酵温度轨线 | 第108-109页 |
| 6.4 发酵时间模型 | 第109-110页 |
| 6.5 最优发酵温度模型 | 第110-111页 |
| 6.6 RBF神经网络的学习算法 | 第111-112页 |
| 6.7 应用方法 | 第112-114页 |
| 6.7 结论 | 第114-116页 |
| 第七章 总结和展望 | 第116-120页 |
| 参考文献 | 第120-138页 |
| 附录 | 第138-139页 |
