广义神经网络的研究及其在交通流预测中的应用
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1引言 | 第8-14页 |
| ·选题背景和研究意义 | 第8-9页 |
| ·研究现状 | 第9-12页 |
| ·本文的主要工作 | 第12页 |
| ·本文的组织结构 | 第12-14页 |
| 2基于广义神经网络的交通流量预测 | 第14-29页 |
| ·误差逆传播神经网络的基本原理 | 第15-19页 |
| ·误差逆传播神经网络的结构和学习过程 | 第15-16页 |
| ·BP神经网络的学习算法 | 第16-19页 |
| ·BP神经网络的改进 | 第19页 |
| ·广义神经网络模型 | 第19-24页 |
| ·智能神经元模型 | 第20-22页 |
| ·广义神经网络模型及其学习算法 | 第22-24页 |
| ·交通流量预测模型 | 第24-25页 |
| ·实验结果 | 第25-28页 |
| ·小结 | 第28-29页 |
| 3并行计算的基本理论 | 第29-38页 |
| ·并行性 | 第29-30页 |
| ·并行算法的一般概念 | 第30-33页 |
| ·并行算法设计的策略 | 第30-31页 |
| ·并行算法的性能评估 | 第31-32页 |
| ·并行编程模式 | 第32-33页 |
| ·PC集群并行计算平台 | 第33-36页 |
| ·PC集群上并行程序的开发过程 | 第36-38页 |
| ·并行程序的设计和实现 | 第36-37页 |
| ·并行应用程序的编译与运行 | 第37-38页 |
| 4广义神经网络的并行学习算法 | 第38-47页 |
| ·神经网络学习算法的并行性 | 第38-41页 |
| ·训练集分解 | 第38-39页 |
| ·层分解 | 第39-40页 |
| ·节点分解 | 第40-41页 |
| ·广义神经网络的并行学习算法 | 第41-44页 |
| ·传统训练集分解并行算法的缺点 | 第42-43页 |
| ·新的基于训练集分解的并行学习算法 | 第43-44页 |
| ·并行学习算法的实现 | 第44-45页 |
| ·实验结果 | 第45-46页 |
| ·小结 | 第46-47页 |
| 5网格环境下广义神经网络的并行学习 | 第47-51页 |
| ·网格计算对传统高性能计算的冲击 | 第47页 |
| ·网格计算 | 第47-48页 |
| ·MPICH-G2 | 第48-49页 |
| ·算法描述 | 第49页 |
| ·实验测试 | 第49-51页 |
| ·网格实验环境 | 第49-50页 |
| ·实验结果 | 第50-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间发表学术论文情况 | 第56-57页 |
| 致谢 | 第57-58页 |
| 大连理工大学学位论文版权使用授权书 | 第58页 |
