| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 绪论 | 第9-13页 |
| ·选题意义及研究现状 | 第9-11页 |
| ·脉象信号分析 | 第11页 |
| ·本文的研究工作及内容安排 | 第11-13页 |
| 2 人工神经网络基本概念 | 第13-34页 |
| ·神经网络概述及发展简史 | 第13-17页 |
| ·概述 | 第13-14页 |
| ·人工神经网络的发展简史 | 第14-17页 |
| ·人工神经网络的特点 | 第17页 |
| ·神经网络的基本概念 | 第17-23页 |
| ·人工神经元的基本模型 | 第17-19页 |
| ·单个神经元的激活函数 | 第19-20页 |
| ·单个神经元学习规则概述 | 第20-22页 |
| ·含有多个神经元的层 | 第22-23页 |
| ·多层神经网络 | 第23页 |
| ·RBF 神经网络 | 第23-34页 |
| ·RBF 函数定义 | 第24页 |
| ·RBF 网络的模型 | 第24-25页 |
| ·RBF 网络学习问题的数学模型 | 第25-27页 |
| ·RBF 网络的分类能力 | 第27-29页 |
| ·RBF 网络的训练方法 | 第29-34页 |
| 3 蚁群算法概述 | 第34-46页 |
| ·概述 | 第34-35页 |
| ·常用聚类方法及评价标准 | 第35-37页 |
| ·数据聚类前的预处理 | 第37-38页 |
| ·BM 模型与LF 算法 | 第38-42页 |
| ·蚁群聚类（Ant Colony Clustering，ACC） | 第38-39页 |
| ·BM 模型 | 第39-40页 |
| ·LF 算法 | 第40-42页 |
| ·改进的LF 算法 | 第42-46页 |
| ·基本思想 | 第42-43页 |
| ·算法描述 | 第43-44页 |
| ·参数的选择与算法复杂度 | 第44-46页 |
| 4 RBF 网络与脉象信号分析 | 第46-56页 |
| ·脉象信号采集 | 第46-47页 |
| ·基于k 均值聚类的RBF 网络 | 第47-49页 |
| ·基于蚁群聚类的RBF 网络 | 第49-53页 |
| ·聚类 | 第49-51页 |
| ·对脉象信号进行分析 | 第51-52页 |
| ·结果分析 | 第52-53页 |
| ·使用粒子群算法优化网络性能 | 第53-56页 |
| ·PSO 算法基本思想 | 第53-54页 |
| ·基本PSO 算法流程 | 第54页 |
| ·对网络权值进行优化 | 第54-55页 |
| ·结果分析 | 第55-56页 |
| 5 结论与展望 | 第56-57页 |
| ·工作小结 | 第56页 |
| ·展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62-64页 |