| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-13页 |
| ·选题背景及意义 | 第9页 |
| ·群体智能算法的研究概况 | 第9-11页 |
| ·人工神经网络的研究概况 | 第11-12页 |
| ·论文的主要工作 | 第12-13页 |
| 第二章 人工神经网络概述 | 第13-21页 |
| ·人工神经元模型 | 第13-14页 |
| ·人工神经网络的构成 | 第14页 |
| ·人工神经网络的学习 | 第14-16页 |
| ·小波神经网络 | 第16-21页 |
| ·小波分析简介 | 第16页 |
| ·小波神经网络的提出 | 第16-19页 |
| ·小波函数的选取 | 第19页 |
| ·小波神经网络面临的挑战 | 第19-21页 |
| 第三章 粒子群算法及其改进 | 第21-25页 |
| ·基本粒子群算法 | 第21-22页 |
| ·算法原理 | 第21-22页 |
| ·算法流程 | 第22页 |
| ·几种改进粒子群算法 | 第22-25页 |
| ·带有惯性因子的粒子群算法 | 第22-23页 |
| ·带有收缩因子的粒子群算法 | 第23页 |
| ·基于遗传思想改进粒子群算法 | 第23-24页 |
| ·利用小生境思想的粒子群算法 | 第24-25页 |
| 第四章 基于边界变异的量子粒子群算法和混沌量子粒子群算法 | 第25-37页 |
| ·粒子群算法的缺点 | 第25-26页 |
| ·量子粒子群算法优化算法(QPSO) | 第26-27页 |
| ·算法模型 | 第26-27页 |
| ·具有量子行为的粒子群算法的优点 | 第27页 |
| ·基于边界变异的量子粒子群优化算法 | 第27-32页 |
| ·算法描述 | 第27-29页 |
| ·实验结果分析 | 第29-32页 |
| ·混沌量子粒子群优化算法 | 第32-37页 |
| ·混沌 | 第32页 |
| ·基于群体适应值方差的早熟判断机制 | 第32-33页 |
| ·混沌量子粒子群算法 | 第33-34页 |
| ·实验设置与实验结果 | 第34-37页 |
| 第五章 Legendre 小波神经网络 | 第37-42页 |
| ·Legendre 小波 | 第37-38页 |
| ·Legendre 小波神经网络的结构 | 第38-39页 |
| ·BP 算法训练Legendre 小波神经网络 | 第39-42页 |
| 第六章 基于QPSOB 的Legendre 小波神经网络在径流预测中的应用 | 第42-51页 |
| ·径流 | 第42-43页 |
| ·径流的简介 | 第42-43页 |
| ·研究意义 | 第43页 |
| ·基于QPSOB 的Legendre 小波神经网络(LWNN)在径流预测中的应用 | 第43-50页 |
| ·某气象站年径流预测实例分析 | 第43-44页 |
| ·适应度值和数据预处理 | 第44-45页 |
| ·PSO-LWNN 算法流程设计 | 第45-47页 |
| ·QPSO-LWNN 算法流程设计 | 第47页 |
| ·QPSOB-LWNN 算法流程设计 | 第47-48页 |
| ·实验结果及分析 | 第48-50页 |
| ·小结 | 第50-51页 |
| 第七章 基于QPSOB的Legendre小波神经网络在异常检测中的应用 | 第51-58页 |
| ·异常入侵检测简介 | 第51-52页 |
| ·基于QPSOB 的LWNN 在异常检测中的应用 | 第52-58页 |
| ·实验数据描述 | 第52页 |
| ·原始数据中网络连接信息预处理 | 第52-53页 |
| ·数据集描述 | 第53-54页 |
| ·实验数据预处理 | 第54页 |
| ·实验结果及分析 | 第54-58页 |
| 第八章 总结与展望 | 第58-60页 |
| ·工作总结 | 第58-59页 |
| ·展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第65页 |
