| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 引言 | 第9-12页 |
| ·研究背景 | 第9页 |
| ·研究现状 | 第9-10页 |
| ·研究意义 | 第10-11页 |
| ·研究内容 | 第11页 |
| ·论文结构 | 第11-12页 |
| 第二章 人工神经网络 | 第12-26页 |
| ·人工神经网络特点 | 第12-13页 |
| ·学习能力 | 第12页 |
| ·泛化能力 | 第12-13页 |
| ·信息分布存储 | 第13页 |
| ·适用性问题 | 第13页 |
| ·人工神经网络的构成 | 第13-17页 |
| ·人工神经元 | 第13-14页 |
| ·激活函数 | 第14-15页 |
| ·M-P模型 | 第15-16页 |
| ·人工神经网络分类 | 第16-17页 |
| ·人工神经网络的优势 | 第17页 |
| ·影响网络泛化能力的主要因素 | 第17-18页 |
| ·BP神经网络 | 第18-26页 |
| ·网络构成 | 第18页 |
| ·BP网络的学习 | 第18-22页 |
| ·BP神经网络在应用中的局限性 | 第22-23页 |
| ·对基本BP神经网络的改进 | 第23-24页 |
| ·对即神经网络的初始参数进行优化 | 第24-26页 |
| 第三章 基于遗传算法的神经网络优化研究 | 第26-39页 |
| ·遗传算法 | 第26页 |
| ·利用遗传算法优化BP网络的初始权值和阈值 | 第26-29页 |
| ·遗传算法的基本要素 | 第26-27页 |
| ·遗传算法优化神经网络初始参数的步骤 | 第27-28页 |
| ·实验结果分析 | 第28-29页 |
| ·改进的遗传算法应用于优化BP神经网络的拓扑结构 | 第29-39页 |
| ·带有有效因子的遗传算法 | 第29-31页 |
| ·改进的进化策略 | 第31-32页 |
| ·用带有有效因子的遗传算法优化神经网络 | 第32-36页 |
| ·带有效因子的遗传算法实验分析 | 第36-39页 |
| 第四章 基于粒子群算法的神经网络优化研究 | 第39-50页 |
| ·粒子群算法 | 第39-44页 |
| ·粒子群算法原理 | 第39-40页 |
| ·粒子群算法的参数分析 | 第40-42页 |
| ·基本粒子群算法优化神经网络初始参数 | 第42-44页 |
| ·基本粒子群算法的缺陷及改进方法 | 第44-47页 |
| ·改进的惯性权重更新策略 | 第44-45页 |
| ·早熟侦测和扰动策略 | 第45-46页 |
| ·改进的粒子群算法应用于神经网络初始参数优化实验 | 第46-47页 |
| ·多种群的粒子群算法优化神经网络初始参数 | 第47-50页 |
| ·多种群粒子群算法流程 | 第48页 |
| ·多种群粒子群算法实验比较 | 第48-50页 |
| 第五章 神经网络在旅游突发事件预测中的应用 | 第50-58页 |
| ·旅游突发事件数据 | 第50-52页 |
| ·事件因素划分 | 第50-51页 |
| ·事件因素量化 | 第51-52页 |
| ·旅游突发事件预测模型的建立 | 第52-53页 |
| ·预测结果的比较与分析 | 第53-57页 |
| ·采用遗传算法优化神经网络初始参数创建预测模型 | 第54-55页 |
| ·采用多种群粒子群算法优化神经网络初始参数创建预测模型 | 第55页 |
| ·采用带有有效因子的遗传算法优化神经网络初始参数创建预测模型 | 第55-56页 |
| ·三种预测模型的综合比较 | 第56-57页 |
| ·总结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| ·总结 | 第58页 |
| ·展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间发表的学术论文 | 第66页 |