| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 主要研究工作 | 第11页 |
| 1.4 论文结构 | 第11-13页 |
| 2 BP神经网络模型 | 第13-21页 |
| 2.1 人工神经网络 | 第13-16页 |
| 2.1.1 人工神经网络的特点 | 第13-14页 |
| 2.1.2 人工神经元模型 | 第14-15页 |
| 2.1.3 人工神经网络的学习 | 第15-16页 |
| 2.1.4 人工神经网络的结构 | 第16页 |
| 2.2 BP神经网络简介 | 第16-20页 |
| 2.2.1 BP神经网络的拓扑结构 | 第16-17页 |
| 2.2.2 BP算法的原理分析 | 第17-18页 |
| 2.2.3 BP算法的实现步骤 | 第18-20页 |
| 2.2.4 BP算法的缺点 | 第20页 |
| 2.3 本章小结 | 第20-21页 |
| 3 花授粉算法 | 第21-31页 |
| 3.1 花授粉算法的简介 | 第21页 |
| 3.2 花授粉算法的实现步骤 | 第21页 |
| 3.3 花授粉算法的改进 | 第21-22页 |
| 3.4 各个参数对花授粉算法性能的影响及改进 | 第22-25页 |
| 3.4.1 转换概率p对FPA算法性能的影响及改进 | 第22-23页 |
| 3.4.2 变异因子ε 对FPA算法性能的影响及改进 | 第23-24页 |
| 3.4.3 初始种群对FPA算法的影响 | 第24-25页 |
| 3.5 基于萤火虫算法的自适应花授粉优化算法(FA-FPA) | 第25页 |
| 3.6 数值实验 | 第25-30页 |
| 3.6.1 测试函数集及实验参数设置 | 第25-26页 |
| 3.6.2 实验结果及分析 | 第26-30页 |
| 3.7 本章小结 | 第30-31页 |
| 4 基于FA-FPA算法的BP神经网络结构优化 | 第31-43页 |
| 4.1 数据的归一化处理 | 第31-32页 |
| 4.2 个体编码 | 第32页 |
| 4.3 评价标准 | 第32-33页 |
| 4.4 隐层节点数的确定 | 第33页 |
| 4.5 基于FA-FPA算法的BP神经网络 | 第33-35页 |
| 4.5.1 FA-FPA1-BP神经网络实现的基本步骤 | 第33-34页 |
| 4.5.2 FA-FPA2-BP神经网络实现的基本步骤 | 第34-35页 |
| 4.6 仿真对比实验及结果分析 | 第35-40页 |
| 4.6.1 函数逼近实验结果及分析 | 第35-39页 |
| 4.6.2 分类实验结果及分析 | 第39-40页 |
| 4.7 实验结论 | 第40-41页 |
| 4.8 本章小结 | 第41-43页 |
| 5 总结与展望 | 第43-45页 |
| 5.1 全文总结 | 第43页 |
| 5.2 研究展望 | 第43-45页 |
| 参考文献 | 第45-51页 |
| 作者攻读学位期间发表学术论文清单 | 第51页 |
| 基金项目 | 第51-53页 |
| 致谢 | 第53页 |
