| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪言 | 第10-14页 |
| 1.1 研究动机及背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 主要研究内容及创新 | 第12-14页 |
| 第二章 神经网络理论概念 | 第14-40页 |
| 2.1 神经网络发展概况 | 第14-15页 |
| 2.2 神经网络分类 | 第15页 |
| 2.3 BP神经网络 | 第15-24页 |
| 2.3.1 BP神经网络的结构 | 第16-19页 |
| 2.3.2 BP神经网络算法优缺点及改进方法 | 第19-20页 |
| 2.3.3 BP神经网络神经元变换函数 | 第20-23页 |
| 2.3.4 BP神经网络的设计 | 第23-24页 |
| 2.4 小波神经网络 | 第24-31页 |
| 2.4.1 小波变换理论 | 第25-28页 |
| 2.4.2 小波神经网络学习过程 | 第28-31页 |
| 2.5 遗传小波神经网络 | 第31-40页 |
| 2.5.1 遗传算法 | 第31-32页 |
| 2.5.2 遗传算法应用 | 第32-33页 |
| 2.5.3 遗传算法实现与基本操作 | 第33-37页 |
| 2.5.4 遗传小波神经网络特点及应用发展 | 第37页 |
| 2.5.5 遗传小波神经网络学习过程 | 第37-40页 |
| 第三章 遗传小波神经网络模型在压缩空气用能预测的应用 | 第40-48页 |
| 3.1 BP神经网络对压缩空气用能预测 | 第40-42页 |
| 3.2 小波神经网络对压缩空气用能预测 | 第42-44页 |
| 3.3 遗传小波神经网络对压缩空气用能预测 | 第44-48页 |
| 第四章 影响压缩空气用能预测结果的因素分析 | 第48-56页 |
| 4.1 实验数据因素 | 第48-52页 |
| 4.1.1 影响压缩空气用能数据的因素 | 第48-49页 |
| 4.1.2 缺失数据的影响 | 第49-52页 |
| 4.2 输入层节点数和隐含层节点数对网络预测的影响 | 第52-56页 |
| 第五章 结论与展望 | 第56-58页 |
| 5.1 结论 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-65页 |
| 附录A 攻读硕士学位期间发表论文 | 第65-66页 |
| 附录B 原始数据序列 | 第66-70页 |
| 附录C 主要程序源码 | 第70-78页 |