| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 引言 | 第12页 |
| 1.2 人工神经网络 | 第12-15页 |
| 1.2.1 人工神经网络的发展史 | 第12-13页 |
| 1.2.2 人工神经网络的基本原理 | 第13-15页 |
| 1.3 径向基函数神经网络(RBFNN) | 第15-17页 |
| 1.3.1 RBF 神经网络的兴起 | 第15页 |
| 1.3.2 RBF 神经网络的算法 | 第15-17页 |
| 1.4 遗传算法 | 第17页 |
| 1.5 神经网络在信道均衡方面的应用 | 第17-18页 |
| 1.6 神经网络在混沌背景下的弱信号检测方面的应用 | 第18-19页 |
| 1.7 本文主要内容及章节安排 | 第19-20页 |
| 第二章 基于小生境的进化RBF 网络 | 第20-41页 |
| 2.1 RBF 神经网络的原理、模型 | 第20-23页 |
| 2.1.1 径向基函数的基本原理 | 第20-21页 |
| 2.1.2 RBF 网络的数学模型 | 第21-23页 |
| 2.2 基于遗传算法的RBF 网络优化设计 | 第23-30页 |
| 2.2.1 遗传算法和RBF 网络 | 第23-24页 |
| 2.2.2 遗传算法的基本原理和方法 | 第24-25页 |
| 2.2.3 遗传算法的描述 | 第25页 |
| 2.2.4 编码及适应度函数 | 第25-27页 |
| 2.2.5 选择操作 | 第27-28页 |
| 2.2.6 交叉操作 | 第28-29页 |
| 2.2.7 变异操作 | 第29-30页 |
| 2.2.8 交叉概率和变异概率的选择 | 第30页 |
| 2.3 利用递阶遗传算法训练RBF 神经网络 | 第30-33页 |
| 2.3.1 递阶遗传算法综述 | 第30-31页 |
| 2.3.2 递阶遗传算法训练RBF 神经网络程序设计 | 第31-33页 |
| 2.4 利用混合递阶遗传算法训练RBF 神经网络 | 第33-34页 |
| 2.5 利用基于小生境的混合递阶遗传算法训练RBF 神经网络 | 第34-39页 |
| 2.5.1 小生境遗传算法 | 第36-37页 |
| 2.5.2 基于预选择小生境递阶遗传算法的RBF 网络学习方法 | 第37-38页 |
| 2.5.3 一种改进的小生境混合递阶遗传算法训练RBF 神经网络 | 第38-39页 |
| 2.6 本章小结 | 第39-41页 |
| 第三章 算法性能分析 | 第41-56页 |
| 3.1 引言 | 第41页 |
| 3.2 双螺旋分类 | 第41-45页 |
| 3.2.1 双螺旋问题 | 第41-42页 |
| 3.2.2 双螺旋分类的测试 | 第42-45页 |
| 3.3 MG 时间序列的预测 | 第45-55页 |
| 3.3.1 MG 序列的单步预测分析 | 第46-51页 |
| 3.3.2 MG 序列的多步预测分析 | 第51-52页 |
| 3.3.3 算法参数调整问题 | 第52-55页 |
| 3.4 本章小结 | 第55-56页 |
| 第四章 基于进化RBF 网络的自适应信道均衡 | 第56-63页 |
| 4.1 引言 | 第56-57页 |
| 4.2 基于进化RBF 网络的自适应信道均衡器 | 第57-60页 |
| 4.2.1 RBF 网络信道均衡器的结构 | 第57-58页 |
| 4.2.2 RBF 网络信道均衡器的算法 | 第58-60页 |
| 4.3 仿真和分析 | 第60-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 混沌背景下进化RBF 网络的弱信号检测 | 第63-73页 |
| 5.1 引言 | 第63-64页 |
| 5.2 混沌背景下的弱信号检测 | 第64-66页 |
| 5.2.1 检测信号的描述 | 第64-65页 |
| 5.2.2 检测方法 | 第65-66页 |
| 5.3 仿真和分析 | 第66-72页 |
| 5.3.1 虫口模型－Logistic 映射 | 第66-69页 |
| 5.3.2 仿真 | 第69-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第六章 全文总结 | 第73-75页 |
| 6.1 主要结论 | 第73-74页 |
| 6.2 研究展望 | 第74-75页 |
| 参考文献 | 第75-77页 |
| 致谢 | 第77-78页 |
| 攻读硕士学位期间已经发表或录用的文章 | 第78页 |
