| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.3 本文的研究工作 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第二章 基站蓄电池SOC估算与运维调度系统相关概念 | 第18-32页 |
| 2.1 铅酸蓄电池 | 第18-19页 |
| 2.1.1 铅酸蓄电池的定义及历史 | 第18页 |
| 2.1.2 铅酸蓄电池的工作原理 | 第18-19页 |
| 2.1.3 铅酸蓄电池的SOC | 第19页 |
| 2.2 RBF神经网络 | 第19-21页 |
| 2.3 正则化与模糊理论在RBF神经网络训练中的应用 | 第21-26页 |
| 2.3.1 正则化 | 第21-23页 |
| 2.3.2 模糊理论 | 第23-24页 |
| 2.3.3 正则化在RBF神经网络中的应用 | 第24-25页 |
| 2.3.4 模糊理论在RBF神经网络中应用 | 第25-26页 |
| 2.4 梯度下降法与爬山算法在RBF神经网络训练中的应用 | 第26-29页 |
| 2.4.1 梯度下降法 | 第26-27页 |
| 2.4.2 爬山算法 | 第27-28页 |
| 2.4.3 梯度下降法在RBF神经网络中的应用 | 第28-29页 |
| 2.4.4 爬山算法在RBF神经网络中的应用 | 第29页 |
| 2.5 基站蓄电池运维调度系统的关键技术 | 第29-31页 |
| 2.5.1 运维调度系统设计的相关技术 | 第29-30页 |
| 2.5.2 选址调度方案的关键算法 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 基于RBF神经网络的蓄电池SOC估算 | 第32-48页 |
| 3.1 L_(1/2)正则化算法对隐层节点进行选择 | 第32-35页 |
| 3.1.1 L_(1/2)正则化算法 | 第32-33页 |
| 3.1.2 L_(1/2)正则化在RBF神经网络中的算法描述 | 第33-35页 |
| 3.2 基于模糊理论的放缩算法 | 第35-38页 |
| 3.2.1 放缩算法 | 第35-36页 |
| 3.2.2 放缩算法在RBF神经网络中的描述 | 第36-38页 |
| 3.3 基于模拟退火思想的梯度下降法 | 第38-40页 |
| 3.3.1 模拟退火算法 | 第38-39页 |
| 3.3.2 模拟退火思想的梯度下降法在RBF神经网络中的描述 | 第39-40页 |
| 3.4 实验仿真结果分析 | 第40-46页 |
| 3.4.1 不同数量节点下神经网络性能对比 | 第41-43页 |
| 3.4.2 泛化能力对比 | 第43-45页 |
| 3.4.3 训练次数对比 | 第45-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 基站蓄电池运维调度系统设计以及选址调度算法 | 第48-60页 |
| 4.1 基站蓄电池运维调度系统设计 | 第48-53页 |
| 4.1.1 基站蓄电池运维调度系统硬件设计 | 第48-50页 |
| 4.1.2 基站蓄电池运维调度系统软件设计 | 第50-53页 |
| 4.2 基站运维的选址调度算法 | 第53-59页 |
| 4.2.1 选址调度条件 | 第53-54页 |
| 4.2.2 选址调度算法设计 | 第54-59页 |
| 4.3 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 工作总结 | 第60页 |
| 5.2 工作展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间发表的论文及科研成果情况 | 第69页 |
