| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第11-18页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 家用太阳能热水器技术发展现状 | 第12-13页 |
| 1.2.2 人工神经网络发展现状 | 第13-14页 |
| 1.2.3 BP算法的研究现状 | 第14-16页 |
| 1.3 本课题主要研究内容及意义 | 第16-18页 |
| 2 BP神经算法的理论研究 | 第18-30页 |
| 2.1 人工神经网络基本理论 | 第18-20页 |
| 2.1.1 生物神经元基本结构模型 | 第18页 |
| 2.1.2 神经网络模型 | 第18-19页 |
| 2.1.3 神经网络结构 | 第19-20页 |
| 2.1.4 神经网络学习过程 | 第20页 |
| 2.2 BP神经网络 | 第20-26页 |
| 2.2.1 BP神经网络基本内容 | 第20-22页 |
| 2.2.2 BP神经网络结构 | 第22-23页 |
| 2.2.3 BP算法推导及步骤 | 第23-25页 |
| 2.2.4 BP神经算法执行步骤 | 第25-26页 |
| 2.3 BP神经算法的性能分析及改进研究 | 第26-29页 |
| 2.3.1 BP神经算法的主要缺陷 | 第26-27页 |
| 2.3.2 常见的标准BP改进算法 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 BP神经算法改进方案研究 | 第30-39页 |
| 3.1 含位移因子Sigmoid函数的算法改进 | 第30-33页 |
| 3.1.1 理论知识 | 第30页 |
| 3.1.2 Sigmoid函数作用及缺陷 | 第30-31页 |
| 3.1.3 改进的Sigmoid函数公式推导 | 第31-32页 |
| 3.1.4 含位移因子改进BP算法执行流程 | 第32-33页 |
| 3.2 引入比例因子能量函数的算法改进 | 第33-38页 |
| 3.2.1 算法能量函数作用及缺陷 | 第33-34页 |
| 3.2.2 理论知识 | 第34-35页 |
| 3.2.3 改进的能量函数公式推导 | 第35-36页 |
| 3.2.4 改进能量函数的BP算法流程 | 第36-38页 |
| 3.3 本章小结 | 第38-39页 |
| 4 基于改进BP算法预测家用太阳能热水器耗电时长 | 第39-62页 |
| 4.1 实验模拟数据 | 第39-46页 |
| 4.1.1 数据采集 | 第39-43页 |
| 4.1.2 数据处理 | 第43-45页 |
| 4.1.3 仿真工具简介 | 第45-46页 |
| 4.2 基于改进S型函数BP算法预测太阳能热水器耗电时长 | 第46-53页 |
| 4.2.1 仿真模拟 | 第46-48页 |
| 4.2.2 结果分析 | 第48-53页 |
| 4.3 基于改进能量函数BP算法预测太阳能热水器耗电时长 | 第53-61页 |
| 4.3.1 仿真模拟 | 第53-55页 |
| 4.3.2 结果分析 | 第55-61页 |
| 4.4 本章小结 | 第61-62页 |
| 5 BP算法改进方案对比研究 | 第62-80页 |
| 5.1 改进Sigmoid函数算法与标准BP算法比对研究 | 第62-69页 |
| 5.1.1 仿真模拟 | 第62-63页 |
| 5.1.2 结果分析 | 第63-69页 |
| 5.2 改进能量函数算法与标准BP算法比对研究 | 第69-75页 |
| 5.2.1 仿真模拟 | 第69-70页 |
| 5.2.2 结果分析 | 第70-75页 |
| 5.3 两种改进算法方案比对研究 | 第75-78页 |
| 5.3.1 仿真模拟 | 第75-76页 |
| 5.3.2 结果分析 | 第76-78页 |
| 5.4 本章小结 | 第78-80页 |
| 6 论文总结和展望 | 第80-82页 |
| 6.1 论文总结 | 第80-81页 |
| 6.2 论文展望 | 第81-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 附录：作者在读期间发表的学术论文及参加的科研项目 | 第87页 |
