基于神经网络优化理论的软测量技术及应用研究
| 摘要 | 第1-6页 |
| Abstract | 第6-13页 |
| 第1章 绪论 | 第13-21页 |
| ·课题研究背景及意义 | 第13-14页 |
| ·软测量技术的研究现状和发展方向 | 第14-15页 |
| ·神经网络建模技术的研究现状 | 第15-19页 |
| ·反传神经网络建模 | 第16-17页 |
| ·径向基函数建模 | 第17页 |
| ·多模型神经网络建模 | 第17-18页 |
| ·支持向量机建模 | 第18-19页 |
| ·课题研究的主要内容 | 第19页 |
| ·论文结构 | 第19-21页 |
| 第2章 软测量技术研究 | 第21-31页 |
| ·软测量技术基本理论 | 第21-24页 |
| ·软测量的数学描述 | 第22页 |
| ·软测量技术的应用条件 | 第22页 |
| ·软测量的用途及意义 | 第22-24页 |
| ·软测量实现过程设计 | 第24-30页 |
| ·辅助变量的选择 | 第24页 |
| ·变量数目的选择 | 第24-25页 |
| ·检测点位置的选择 | 第25页 |
| ·现场数据采集 | 第25页 |
| ·数据预处理 | 第25-27页 |
| ·软测量模型的建立 | 第27-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 神经网络建模技术剖析 | 第31-46页 |
| ·神经网络模型 | 第31-34页 |
| ·神经元模型 | 第31-32页 |
| ·网络拓扑结构及学习规则 | 第32-34页 |
| ·误差反传算法 | 第34-37页 |
| ·基于 BP算法的前馈网络 | 第34-35页 |
| ·算法推导 | 第35-37页 |
| ·已有的 BP改进算法 | 第37-40页 |
| ·基于标准梯度法的网络训练算法 | 第38-39页 |
| ·基于数值优化方法的网络训练算法 | 第39-40页 |
| ·改进算法存在的问题及评价 | 第40-45页 |
| ·改进算法比较 | 第40-44页 |
| ·改进算法存在的问题分析 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 遗传算法优化神经网络算法的改进 | 第46-67页 |
| ·遗传算法基础研究 | 第46-50页 |
| ·遗传算法的概念 | 第46-47页 |
| ·遗传算法的原理 | 第47-48页 |
| ·简单遗传算法的工作流程 | 第48-49页 |
| ·遗传算法的特点 | 第49-50页 |
| ·遗传算法的改进 | 第50-52页 |
| ·简单遗传算法的局限性 | 第50页 |
| ·自适应遗传算法 | 第50-51页 |
| ·基于小生境技术的遗传算法 | 第51-52页 |
| ·遗传算法与 BP网络结合的可行性分析 | 第52-53页 |
| ·遗传算法优化 BP网络的设计 | 第53-61页 |
| ·染色体编码设计 | 第54-55页 |
| ·染色体初始化 | 第55页 |
| ·适应度函数设计 | 第55-56页 |
| ·选择算子的设计 | 第56-58页 |
| ·交叉算子的设计 | 第58-59页 |
| ·变异算子的设计 | 第59-60页 |
| ·遗传优化 BP网络算法的工作流程 | 第60-61页 |
| ·实验验证 | 第61-66页 |
| ·改进算法的训练结果比较 | 第61-65页 |
| ·最优结果比较 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 第5章 动态流量软测量的实现 | 第67-78页 |
| ·测试系统硬件设计 | 第67-68页 |
| ·数据采集硬件的选用 | 第68-70页 |
| ·传感器的选用 | 第68-69页 |
| ·变送器的选用 | 第69页 |
| ·数据采集卡的选用 | 第69-70页 |
| ·标准流量测试设备的选用 | 第70-71页 |
| ·流量软测量的实现 | 第71-74页 |
| ·数据预处理 | 第71页 |
| ·样本数据的标准化处理 | 第71-72页 |
| ·神经网络结构的确定 | 第72-73页 |
| ·流量软测量模型的设计 | 第73-74页 |
| ·结果比较与分析 | 第74-76页 |
| ·本章小结 | 第76-78页 |
| 结论 | 第78-80页 |
| 参考文献 | 第80-85页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第85-86页 |
| 致谢 | 第86-87页 |
| 作者简介 | 第87页 |
