| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 引言 | 第12页 |
| 1.2 神经网络研究方法现状 | 第12-14页 |
| 1.3 论文的内容安排 | 第14-16页 |
| 第二章 CC神经网络(Cascade Correlation Neural Networks) | 第16-22页 |
| 2.1 引言 | 第16页 |
| 2.2 CC算法的结构和权值调整 | 第16-18页 |
| 2.3 CC神经网络结构增长方式 | 第18-19页 |
| 2.4 CC神经网络的优缺点 | 第19-20页 |
| 2.5 小结 | 第20-22页 |
| 第三章 引导粒子群算法 | 第22-38页 |
| 3.1 引言 | 第22页 |
| 3.2 粒子群算法 | 第22页 |
| 3.3 注入式量子优化的粒子群算法PSO-QI | 第22-24页 |
| 3.4 GQPSOI 算法 | 第24-30页 |
| 3.4.1 邻域免疫算法 | 第24-27页 |
| 3.4.2 引导粒子 | 第27-30页 |
| 3.5 GQPSOI参数分析 | 第30-36页 |
| 3.6 小结 | 第36-38页 |
| 第四章 GQPSOI算法优化的CC神经网络 | 第38-46页 |
| 4.1 引言 | 第38页 |
| 4.2 GQPSOI算法的初始化 | 第38-39页 |
| 4.3 GQPSOI算法的实现 | 第39-40页 |
| 4.4 混合算法的步骤 | 第40-41页 |
| 4.5 双螺旋分类训练 | 第41-45页 |
| 4.6 小结 | 第45-46页 |
| 第五章 混合神经网络 | 第46-58页 |
| 5.1 引言 | 第46页 |
| 5.2 神经元算子 | 第46-47页 |
| 5.3 混合神经网络结构 | 第47-48页 |
| 5.4 混合神经网络权值更新 | 第48-49页 |
| 5.5 混合神经网络算法流程 | 第49-50页 |
| 5.6 燃料电池的建模实验 | 第50-57页 |
| 5.6.1 基于燃料电池输出电压的模型 | 第51-53页 |
| 5.6.2 结果与分析 | 第53-57页 |
| 5.7 小结 | 第57-58页 |
| 第六章 结论与展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 本文的创新之处 | 第58页 |
| 6.3 存在的问题 | 第58页 |
| 6.4 展望 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62-64页 |
| 研究成果及发表的学术论文 | 第64-66页 |
| 作者简介及导师简介 | 第66-67页 |
| 附件 | 第67-68页 |