| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 1 绪论 | 第9-17页 |
| ·课题来源 | 第9页 |
| ·选题背景及研究意义 | 第9-10页 |
| ·影响储粮环境的主要因子 | 第10-11页 |
| ·生物因子 | 第10-11页 |
| ·非生物因子 | 第11页 |
| ·国内外研究现状 | 第11-13页 |
| ·现有粮情预测模型 | 第13-15页 |
| ·研究内容及章节安排 | 第15-17页 |
| 2 RBF神经网络和遗传算法的基础理论 | 第17-25页 |
| ·RBF神经网络 | 第17-21页 |
| ·RBF神经网络的结构模型 | 第17-19页 |
| ·RBF神经网络的学习算法 | 第19-20页 |
| ·RBF神经网络的优点与不足 | 第20-21页 |
| ·遗传算法及其改进 | 第21-24页 |
| ·遗传算法基本理论 | 第21-23页 |
| ·遗传算法的优点与不足 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 3 云遗传RBF神经网络及其在粮情温度预测中的研究 | 第25-38页 |
| ·云遗传算法 | 第25-28页 |
| ·云理论 | 第25-27页 |
| ·云遗传算法 | 第27-28页 |
| ·影响性能参数分析 | 第28页 |
| ·云遗传RBF神经网络及其仿真实验 | 第28-33页 |
| ·云遗传RBF神经网络算法 | 第28-30页 |
| ·仿真实验 | 第30-33页 |
| ·改进算法在粮情温度预测中的应用及结果分析 | 第33-36页 |
| ·本章小结 | 第36-38页 |
| 4 基于云遗传RBF神经网络的粮堆安全数据融合 | 第38-51页 |
| ·D-S证据理论 | 第38-42页 |
| ·基于云遗传RBF神经网络及D-S证据理论融合算法 | 第42-45页 |
| ·粮情信息融合决策结果分析 | 第45-49页 |
| ·本章小结 | 第49-51页 |
| 5 总结与展望 | 第51-53页 |
| ·本文工作与创新点总结 | 第51-52页 |
| ·展望 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58-59页 |
| 个人简介 | 第59页 |