摘要 | 第4-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第9-17页 |
1.1 研究背景与意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-13页 |
1.3 本文主要研究内容 | 第13页 |
1.4 论文研究框架与组织结构 | 第13-16页 |
1.4.1 研究框架 | 第13-15页 |
1.4.2 组织结构 | 第15-16页 |
1.5 本章小结 | 第16-17页 |
第2章 小波阈值降噪与归一化处理方法 | 第17-37页 |
2.1 小波阈值降噪法 | 第17-21页 |
2.1.1 小波阈值降噪流程 | 第17-18页 |
2.1.2 小波基函数的性质 | 第18-19页 |
2.1.3 分解尺度的确定 | 第19-20页 |
2.1.4 阈值选择 | 第20-21页 |
2.2 基于随机采样的小波基函数选择 | 第21-27页 |
2.2.1 实验所用数据集 | 第21页 |
2.2.2 降噪评价标准 | 第21-22页 |
2.2.3 随机采样选择方法 | 第22-24页 |
2.2.4 实验结果 | 第24-27页 |
2.3 软阈值函数改进 | 第27-29页 |
2.3.1 传统阈值函数 | 第27-28页 |
2.3.2 软阈值函数的改进 | 第28-29页 |
2.4 降噪结果与分析 | 第29-34页 |
2.4.1 降噪结果对比 | 第29-31页 |
2.4.2 实验结果 | 第31-34页 |
2.5 数据归一化方法改进 | 第34-36页 |
2.5.1 常用的归一化处理方法 | 第34-35页 |
2.5.2 归一化方法的改进 | 第35-36页 |
2.6 本章小结 | 第36-37页 |
第3章 BMO算法的改进与数据降维 | 第37-52页 |
3.1 BMO算法 | 第37-39页 |
3.2 参数自适应改进 | 第39-40页 |
3.3 应用模拟退火思想的改进 | 第40-45页 |
3.3.1 模拟退火算法 | 第41-42页 |
3.3.2 自适应模拟退火BMO算法 | 第42页 |
3.3.3 SABMO算法标准测试 | 第42-45页 |
3.4 SABMO算法的数据降维处理 | 第45-51页 |
3.4.1 数据降维流程 | 第45-46页 |
3.4.2 维度间相关性评估方法 | 第46-49页 |
3.4.3 算法时间复杂度分析 | 第49页 |
3.4.4 实验结果与分析 | 第49-51页 |
3.5 本章小结 | 第51-52页 |
第4章 SABMO-NN填充模型的构建与改进 | 第52-65页 |
4.1 人工神经网络 | 第52-54页 |
4.2 SABMO-NN模型的构建 | 第54-55页 |
4.2.1 方案编码 | 第54-55页 |
4.2.2 算法流程 | 第55页 |
4.3 实验结果与分析 | 第55-58页 |
4.3.1 评价指标 | 第56页 |
4.3.2 实验结果与分析 | 第56-58页 |
4.4 SABMO-NN填充模型的改进 | 第58-59页 |
4.4.1 反馈校偏机制 | 第58-59页 |
4.4.2 改进后预测模型 | 第59页 |
4.5 实验对比与分析 | 第59-64页 |
4.5.1 对改进的SABMO-NN填充模型分析与预测 | 第59-63页 |
4.5.2 实验结果 | 第63-64页 |
4.6 本章小结 | 第64-65页 |
第5章 结论与展望 | 第65-67页 |
5.1 总结 | 第65-66页 |
5.2 展望 | 第66-67页 |
致谢 | 第67-68页 |
参考文献 | 第68-72页 |
攻读硕士学位期间发表学术论文情况 | 第72页 |