粗决策树神经网络预报模型研究及优化
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 引言 | 第8-9页 |
| 第1章 文献综述 | 第9-15页 |
| 1.1 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 神经网络预报模型 | 第10-11页 |
| 1.2.2 粗糙集与决策树结合 | 第11-12页 |
| 1.2.3 粒子群算法优化神经网络 | 第12-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 关键问题与预期创新点 | 第14-15页 |
| 第2章 相关知识 | 第15-29页 |
| 2.1 预报技术 | 第15-20页 |
| 2.1.1 回归分析 | 第15-17页 |
| 2.1.2 时间序列法 | 第17-18页 |
| 2.1.3 灰色预报 | 第18-19页 |
| 2.1.4 神经网络预报 | 第19-20页 |
| 2.2 人工神经网络 | 第20-22页 |
| 2.2.1 人工神经元 | 第20页 |
| 2.2.2 人工神经网络的构成 | 第20-22页 |
| 2.3 BP神经网络 | 第22-28页 |
| 2.3.1 BP算法 | 第22-24页 |
| 2.3.2 BP神经网络的结构及参数设置 | 第24-27页 |
| 2.3.3 BP算法改进 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 粗决策树动态规则提取算法 | 第29-42页 |
| 3.1 粗糙集理论 | 第29-31页 |
| 3.2 决策树 | 第31-32页 |
| 3.3 粗决策树动态规则提取算法设计 | 第32-35页 |
| 3.4 实例验证与对比分析 | 第35-41页 |
| 3.4.1 粗决策树动态规则提取算法验证 | 第35-39页 |
| 3.4.2 对比分析 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 粒子群算法优化神经网络 | 第42-48页 |
| 4.1 粒子群算法 | 第42-43页 |
| 4.2 粒子群算法参数设置 | 第43-44页 |
| 4.3 粒子群算法优化神经网络参数 | 第44-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 预报模型构建及优化 | 第48-67页 |
| 5.1 神经网络预报模型构建 | 第48-50页 |
| 5.1.1 神经网络结构的确定 | 第48-49页 |
| 5.1.2 粒子群优化神经网络 | 第49-50页 |
| 5.1.3 BP神经网络预报模型 | 第50页 |
| 5.2 汽车评估实例 | 第50-53页 |
| 5.3 空气质量的神经网络预报 | 第53-65页 |
| 5.3.1 收集数据 | 第53-56页 |
| 5.3.2 预处理 | 第56-58页 |
| 5.3.3 神经网络模型 | 第58-62页 |
| 5.3.4 对比分析 | 第62-65页 |
| 5.4 本章小结 | 第65-67页 |
| 结论 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 附录A 算法程序 | 第73-80页 |
| 致谢 | 第80-81页 |
| 导师简介 | 第81-82页 |
| 作者简介 | 第82-84页 |
| 学位论文数据集 | 第84页 |
