| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第11-25页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 常用的地震预报方法介绍 | 第14-19页 |
| 1.4 神经网络研究现状 | 第19-22页 |
| 1.4.1 国外研究现状 | 第19-21页 |
| 1.4.2 国内研究现状 | 第21-22页 |
| 1.5 论文结构 | 第22-23页 |
| 1.6 论文设计方案 | 第23-24页 |
| 1.7 总结 | 第24-25页 |
| 第2章 神经网络介绍 | 第25-41页 |
| 2.1 人工神经网络的基本原理 | 第25-28页 |
| 2.1.1 神经网络激活函数的选择 | 第26-27页 |
| 2.1.2 神经网络学习方法的选择 | 第27页 |
| 2.1.3 神经网络的基本特征 | 第27-28页 |
| 2.2 几种常见的神经网络模型 | 第28-30页 |
| 2.3 人工神经网络的设计 | 第30-37页 |
| 2.3.1 前馈型神经网络(BP)简介 | 第30页 |
| 2.3.2 BP神经网络设计技巧 | 第30-37页 |
| 2.4 BP神经网络的优缺点及改进 | 第37-38页 |
| 2.4.1 BP神经网络的优点 | 第37页 |
| 2.4.2 BP神经网络的缺点 | 第37-38页 |
| 2.5 自组织特征映射神经网络(SOM) | 第38-40页 |
| 2.5.1 自组织特征映射神经网络(SOM)的概念及思想 | 第38-39页 |
| 2.5.2 自组织竞争神经网络的学习规则 | 第39页 |
| 2.5.3 自组织神经网络的工作原理 | 第39-40页 |
| 2.5.4 SOM神经网络的学习算法过程 | 第40页 |
| 2.6 总结 | 第40-41页 |
| 第3章 遗传算法 | 第41-48页 |
| 3.1 遗传算法的基本概念 | 第41页 |
| 3.2 遗传算法的基本特征 | 第41-42页 |
| 3.2.1 应用较为广泛 | 第41-42页 |
| 3.2.2 能够求出优化问题的全局最优解 | 第42页 |
| 3.2.3 适合于求解复杂的优化问题 | 第42页 |
| 3.2.4 具有较强的鲁棒性 | 第42页 |
| 3.3 遗传算法的流程图 | 第42-43页 |
| 3.4 遗传优化BP神经网络 | 第43-47页 |
| 3.4.1 优化必要性分析 | 第43-44页 |
| 3.4.2 优化过程 | 第44-46页 |
| 3.4.3 优化流程图 | 第46-47页 |
| 3.5 总结 | 第47-48页 |
| 第4章 BP神经网络在地震震级预测中的应用 | 第48-83页 |
| 4.1 实验样本数据的选取与处理 | 第48-63页 |
| 4.1.1 样本数据的选取 | 第48-52页 |
| 4.1.2 样本数据的下载 | 第52页 |
| 4.1.3 输入因子的选取与计算 | 第52-60页 |
| 4.1.4 数据的处理 | 第60-61页 |
| 4.1.5 小结 | 第61-63页 |
| 4.2 八个参数与震级相关性分析 | 第63-66页 |
| 4.2.1 相关分析概念 | 第63-64页 |
| 4.2.2 相关系数计算 | 第64-65页 |
| 4.2.3 结果解释 | 第65-66页 |
| 4.2.4 小结 | 第66页 |
| 4.3 震例试算 | 第66-79页 |
| 4.3.1 自组织特征映射神经网络(SOM)的设计 | 第66-71页 |
| 4.3.2 遗传优化BP神经网络 | 第71-74页 |
| 4.3.3 网络的测试 | 第74-75页 |
| 4.3.4 输出结果 | 第75-76页 |
| 4.3.5 结果分析比较 | 第76-79页 |
| 4.4 模型外推 | 第79-80页 |
| 4.4.1 外推原理 | 第79-80页 |
| 4.4.2 算法实现 | 第80页 |
| 4.5 讨论 | 第80-82页 |
| 4.6 总结 | 第82-83页 |
| 第5章 总结和展望 | 第83-87页 |
| 5.1 总结 | 第83-85页 |
| 5.2 展望 | 第85-87页 |
| 参考文献 | 第87-94页 |
| 致谢 | 第94-96页 |
| 作者简介 | 第96-97页 |
| 附录 | 第97-100页 |