| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 创新点摘要 | 第7-10页 |
| 前言 | 第10-12页 |
| 第一章 概述 | 第12-16页 |
| ·课题研究的背景和意义 | 第12页 |
| ·小波分析的提出 | 第12-13页 |
| ·人工神经网络 | 第13-15页 |
| ·本文的主要工作 | 第15-16页 |
| 第二章 小波与过程神经元网络 | 第16-28页 |
| ·小波分析理论 | 第16-22页 |
| ·理论背景 | 第16-18页 |
| ·连续小波变换和离散小波变换 | 第18-20页 |
| ·常用小波函数 | 第20-22页 |
| ·前馈过程神经网络 | 第22-27页 |
| ·网络结构 | 第23页 |
| ·双隐层过程神经元网络 | 第23-25页 |
| ·过程神经元网络学习算法 | 第25-27页 |
| ·结语 | 第27-28页 |
| 第三章 小波分析和PNN 融合模型 | 第28-44页 |
| ·小波与PNN 集成模型 | 第28-32页 |
| ·模型结构 | 第29-30页 |
| ·学习过程 | 第30-32页 |
| ·连续小波过程神经元网络 | 第32-35页 |
| ·模型结构 | 第32-33页 |
| ·学习算法 | 第33-34页 |
| ·应用实例 | 第34-35页 |
| ·自适应小波过程神经元网络 | 第35-43页 |
| ·模型结构 | 第35-36页 |
| ·学习算法 | 第36-41页 |
| ·应用实例 | 第41-43页 |
| ·结语 | 第43-44页 |
| 第四章 小波分析和PNN 融合模型在复杂水淹层识别中的应用 | 第44-51页 |
| ·用于水淹层识别的基于小波变换和PNN 的融合模型 | 第44-50页 |
| ·测井信号的噪声模型 | 第44页 |
| ·测井曲线的小波变换 | 第44-47页 |
| ·过程神经元网络的水淹层识别 | 第47-50页 |
| ·结语 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 详细摘要 | 第57-63页 |