异因同果关联神经网络的建模与应用
| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 目录 | 第9-12页 |
| 第一章 绪论 | 第12-25页 |
| ·课题研究背景 | 第12-13页 |
| ·目前组合神经网络的研究内容和研究现状 | 第13-17页 |
| ·组合神经网络的概念和应用背景 | 第13-14页 |
| ·组合神经网络的研究现状 | 第14-17页 |
| ·BP子网络的选用原因及其研究现状 | 第17-23页 |
| ·BP人工神经网络的选用原因 | 第17-18页 |
| ·BP算法的研究现状 | 第18-23页 |
| ·本论文的主要研究内容 | 第23-25页 |
| 第二章 异因同果关联神经网络 | 第25-36页 |
| ·引言 | 第25页 |
| ·单一神经网络的局限 | 第25-26页 |
| ·异因同果关联神经网络模型 | 第26-31页 |
| ·异因同果关联神经网络模型的提出 | 第26页 |
| ·异因同果关联神经网络模型网络结构 | 第26-27页 |
| ·异因同果关联神经网络模型学习算法 | 第27-31页 |
| ·新型神经网络的特点 | 第31页 |
| ·应用实例及其仿真 | 第31-34页 |
| ·结论及结果分析 | 第34-35页 |
| ·小结 | 第35-36页 |
| 第三章 子网络算法的研究和改进 | 第36-59页 |
| ·引言 | 第36页 |
| ·基于误差梯度下降的BP算法 | 第36-45页 |
| ·网络的拓扑结构 | 第36-38页 |
| ·网络的算法 | 第38-42页 |
| ·网络的学习过程 | 第42-44页 |
| ·传统算法的缺点 | 第44-45页 |
| ·BP算法的改进 | 第45-56页 |
| ·启发式改进 BP算法 | 第45-49页 |
| ·加入数值优化技术的BP算法 | 第49-56页 |
| ·各种快速 BP算法的对比仿真研究 | 第56-58页 |
| ·小结 | 第58-59页 |
| 第四章 异因同果关联网络模型的优化建立 | 第59-72页 |
| ·引言 | 第59页 |
| ·样本的选取和处理 | 第59-63页 |
| ·样本选取的重要性 | 第59页 |
| ·训练样本的选择原则 | 第59-60页 |
| ·训练样本数的确定 | 第60-61页 |
| ·输入输出数据的预处理 | 第61-63页 |
| ·泛化能力问题 | 第63-64页 |
| ·泛化能力问题描述 | 第63页 |
| ·解决方案 | 第63-64页 |
| ·组合神经网络的个体生成和输出合成优化 | 第64-69页 |
| ·新型网络的集成分解 | 第64-65页 |
| ·个体网络的生成方法 | 第65-66页 |
| ·结论生成方法分析 | 第66-69页 |
| ·神经网络结构确定 | 第69-71页 |
| ·隐层数目 | 第69页 |
| ·网络的算法 | 第69-71页 |
| ·小结 | 第71-72页 |
| 第五章 在电力负荷短期预报中的应用 | 第72-79页 |
| ·引言 | 第72页 |
| ·问题描述 | 第72页 |
| ·样本选取和划分 | 第72-73页 |
| ·建立模型 | 第73-76页 |
| ·实际输入/输出向量设计 | 第73-74页 |
| ·子网络结构的优化确定 | 第74-75页 |
| ·个体网络训练 | 第75-76页 |
| ·异因同果关联模型预测 | 第76-78页 |
| ·小结 | 第78-79页 |
| 第六章 总结与展望 | 第79-81页 |
| ·总结 | 第79-80页 |
| ·展望 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 攻读学位期间发表的学术论文目录 | 第87-88页 |
| 致谢 | 第88页 |
