| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-15页 |
| ·课题研究的意义 | 第10-11页 |
| ·课题研究现状 | 第11-13页 |
| ·本课题的主要研究工作 | 第13-15页 |
| 第二章 蚁群优化算法 | 第15-25页 |
| ·简介 | 第15-16页 |
| ·蚁群算法分析 | 第16-22页 |
| ·蚁群算法的基本原理 | 第16-17页 |
| ·蚁群算法的数学模型 | 第17-21页 |
| ·参数分析 | 第21-22页 |
| ·改进的蚁群算法 | 第22-24页 |
| ·蚁群算法的优缺点 | 第22-23页 |
| ·改进的蚁群算法 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 神经网络 | 第25-33页 |
| ·引言 | 第25页 |
| ·人工神经网络 | 第25-28页 |
| ·生物神经元 | 第25-26页 |
| ·神经网络模型 | 第26-27页 |
| ·神经网络类型 | 第27-28页 |
| ·BP神经网络 | 第28-32页 |
| ·网络结构 | 第28-29页 |
| ·BP学习算法 | 第29-30页 |
| ·BP算法的优缺点 | 第30-31页 |
| ·改进的BP算法 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 蚁群神经网络模型在CO_2出塔浓度预测中的应用 | 第33-49页 |
| ·二氧化碳生产的简介 | 第33-34页 |
| ·影响成品CO_2浓度的因素分析 | 第34-35页 |
| ·基于蚁群算法的神经网络训练 | 第35-39页 |
| ·ACO-BP算法的基本思路 | 第36页 |
| ·ACO-BP算法的基本步骤 | 第36-38页 |
| ·ACO-BP算法的流程 | 第38-39页 |
| ·基于ACO-BP神经网络的CO_2出塔浓度的预测 | 第39-41页 |
| ·样本的选择与划分 | 第39页 |
| ·网络结构设计 | 第39-40页 |
| ·模型算法中参数的选定 | 第40页 |
| ·模型仿真与结果分析 | 第40-41页 |
| ·BP神经网络对CO_2出塔浓度的预测 | 第41-48页 |
| ·传统BP算法对CO_2出塔浓度的预测 | 第41-42页 |
| ·基于主成分分析的BP神经网络对CO_2出塔浓度的预测 | 第42-46页 |
| ·ACO-BP与基于主成分分析的BP预测优度比较 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 影响CO_2出塔浓度的可控参数的寻优 | 第49-54页 |
| ·蒙特卡罗模拟 | 第49-51页 |
| ·可控参数的寻优 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第六章 结论与展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 攻读硕士学位期间发表的论文 | 第61页 |
