| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 人工神经网络研究现状综述 | 第9-12页 |
| 1.2.1 人工神经网络研究内容 | 第9页 |
| 1.2.2 前馈神经网络研究现状 | 第9-10页 |
| 1.2.3 过程神经网络研究现状 | 第10-12页 |
| 1.3 研究内容 | 第12-13页 |
| 第二章 人工神经网络理论 | 第13-22页 |
| 2.1 人工神经网络的起源与发展 | 第13-14页 |
| 2.2 人工神经网络的基本原理 | 第14-16页 |
| 2.2.1 人工神经网络结构 | 第14页 |
| 2.2.2 神经元模型 | 第14-15页 |
| 2.2.3 人工神经网络学习规则 | 第15-16页 |
| 2.3 人工神经网络的分类及应用 | 第16-18页 |
| 2.3.1 人工神经网络分类 | 第16-17页 |
| 2.3.2 人工神经网络技术的应用 | 第17-18页 |
| 2.4 BP 神经网络模型 | 第18-22页 |
| 2.4.1 BP 网络结构和特性 | 第18页 |
| 2.4.2 BP 网络的数学模型 | 第18-19页 |
| 2.4.3 BP 网络的学习算法 | 第19-22页 |
| 第三章 过程神经网络模型 | 第22-33页 |
| 3.1 过程神经元 | 第22-24页 |
| 3.2 过程神经网络分类模型 | 第24-28页 |
| 3.2.1 连续时变输入过程神经网络模型 | 第24-25页 |
| 3.2.2 离散时变输入过程神经网络模型 | 第25-27页 |
| 3.2.3 连续时变输入输出过程神经网络模型 | 第27-28页 |
| 3.3 过程神经网络的学习算法 | 第28-33页 |
| 3.3.1 基于正交基展开的学习算法 | 第28-30页 |
| 3.3.2 基于连续 Walsh 函数变换的学习算法 | 第30-31页 |
| 3.3.3 基于离散 Walsh 函数变换的学习算法 | 第31-33页 |
| 第四章 混合过程神经网络模型 | 第33-43页 |
| 4.1 混合输入建模介绍 | 第33-34页 |
| 4.2 混合输入建模的策略 | 第34-36页 |
| 4.2.1 混合输入的时间预处理 | 第34-35页 |
| 4.2.2 网络拓扑结构 | 第35-36页 |
| 4.3 混合过程神经网络分类模型设计 | 第36-40页 |
| 4.3.1 等时长混合同步输入模型 | 第36-37页 |
| 4.3.2 变时长混合同步输入模型 | 第37-38页 |
| 4.3.3 变时长混合异步输入模型 | 第38-39页 |
| 4.3.4 离散混合输入模型 | 第39-40页 |
| 4.4 混合过程神经网络学习算法 | 第40-43页 |
| 4.4.1 傅立叶级数展开 | 第40-41页 |
| 4.4.2 时变函数正交变换及处理 | 第41-42页 |
| 4.4.3 算法描述 | 第42-43页 |
| 第五章 高炉炼铁生产应用实验 | 第43-52页 |
| 5.1 实例描述 | 第43-44页 |
| 5.1.1 高炉炼铁原理 | 第43页 |
| 5.1.2 数据采样及预处理 | 第43-44页 |
| 5.2 计算实验 | 第44-49页 |
| 5.2.1 BP 神经网络模型实验 | 第44-45页 |
| 5.2.2 时序神经网络模型实验 | 第45-47页 |
| 5.2.3 混合过程神经网络模型实验 | 第47-49页 |
| 5.3 实验结果分析 | 第49-52页 |
| 5.3.1 误差分析 | 第49-50页 |
| 5.3.2 网络性能分析 | 第50-52页 |
| 第六章 结论与展望 | 第52-53页 |
| 6.1 结论 | 第52页 |
| 6.2 研究展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间发表的学术论文 | 第56-57页 |
| 致谢 | 第57-58页 |
| 详细摘要 | 第58-66页 |