人工神经网络在本质安全电路判定中的应用研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第8-11页 |
| 1．1、问题的提出和研究的意义 | 第8页 |
| 1．2、国内外相关理论的研究 | 第8-9页 |
| 1．3、解决问题的方法 | 第9页 |
| 1．4、本文研究的主要内容 | 第9-11页 |
| 第二章 本安电路判定的基本原理和方法门 | 第11-19页 |
| 2．1 概述 | 第11-12页 |
| 2．2 本质安全电路的引爆原理 | 第12页 |
| 2．3 电火花的最小点燃能量 | 第12-16页 |
| 2．4 电火花放电能量的概算 | 第16-17页 |
| 2．5 本质安全电气系统的评估 | 第17-18页 |
| 2．6 本章小结 | 第18-19页 |
| 第三章 本安电路判定的神经网络预测模型 | 第19-40页 |
| 3．1 人工神经网络基础 | 第19-24页 |
| 3．1．1 人工神经网络概述 | 第19页 |
| 3．1．2 人工神经网络的特征 | 第19-20页 |
| 3．1．3 神经网络的结构框架 | 第20-21页 |
| 3．1．4 人工神经元模型 | 第21-23页 |
| 3．1．5 S型激活函数 | 第23-24页 |
| 3．2 神经网络的学习 | 第24-26页 |
| 3．2．1 学习方式 | 第24-25页 |
| 3．2．2 神经网络的学习规则 | 第25-26页 |
| 3．3 BP网络 | 第26-29页 |
| 3．3．1 BP网络概述 | 第26页 |
| 3．3．2 BP网络算法 | 第26-29页 |
| 3．4 本安电路判定影响因素的分析 | 第29页 |
| 3．5 本安电路判定预测模型的建立 | 第29-34页 |
| 3．5．1 输入/输出变量的确定 | 第29-30页 |
| 3．5．2 样本的选取和规格化处理 | 第30页 |
| 3．5．3 网络层数的确定 | 第30-31页 |
| 3．5．4 隐层单元数的确定 | 第31-32页 |
| 3．5．5 初始权值的选取 | 第32页 |
| 3．5．6 学习速率的确定 | 第32-33页 |
| 3．5．7 期望误差的选取 | 第33页 |
| 3．5．8 训练次数的确定 | 第33页 |
| 3．5．9 网络泛化能力的检验 | 第33-34页 |
| 3．6 本安电路判定预测模型的功能改善 | 第34-39页 |
| 3．6．1 BP网络的缺点 | 第34页 |
| 3．6．2 BP网络模型的若干改进 | 第34-39页 |
| 3．7 本章小结 | 第39-40页 |
| 第四章 基于MATLAB的神经网络预测模型实现 | 第40-58页 |
| 4．1 神经网络建模思想 | 第40页 |
| 4．2 MATLAB综述 | 第40-42页 |
| 4．3 神经网络工具箱(N NT) | 第42-45页 |
| 4．3．1 神经元上的传递函数 | 第42-43页 |
| 4．3．2 δ(delta)函数 | 第43-44页 |
| 4．3．3 基本函数 | 第44-45页 |
| 4．3．4 随机函数rands | 第45页 |
| 4．4 BP网络模型的构建、数据处理与仿真 | 第45-47页 |
| 4．4．1 神经网络类型的选取 | 第45页 |
| 4．4．2 BP网络训练算法的选取 | 第45-46页 |
| 4．4．3 BP网络模型的建模 | 第46页 |
| 4．4．4 样本数据的预处理与后处理 | 第46页 |
| 4．4．5 网络模型验证 | 第46-47页 |
| 4．5 神经网络程序实现及训练结果 | 第47-55页 |
| 4．5．1 程序实现 | 第47-50页 |
| 4．5．2 训练过程 | 第50-54页 |
| 4．5．3 训练结果和误差 | 第54-55页 |
| 4．6 网络模型在实际检验电路的应用 | 第55-57页 |
| 4．6．1 模拟电路的检验 | 第55-56页 |
| 4．6．2 判定方法的比较 | 第56-57页 |
| 4．7 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5．1 总结 | 第58-59页 |
| 5．2 未来展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62-63页 |
| 附录 | 第63-66页 |
