| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-13页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究目的及意义 | 第11-13页 |
| 第二章 神经网络 | 第13-25页 |
| 2.1 神经网络起源 | 第13页 |
| 2.2 神经元与网络结构 | 第13-16页 |
| 2.2.1 生物神经元模型 | 第14页 |
| 2.2.2 生物神经元的功能和特征 | 第14-15页 |
| 2.2.3 人工神经元的理论模型 | 第15-16页 |
| 2.3 人工神经网络的构成 | 第16-18页 |
| 2.3.1 前向网络 | 第16页 |
| 2.3.2 从输出到输入有反馈的神经网络 | 第16-17页 |
| 2.3.3 层内互联前向网络 | 第17页 |
| 2.3.4 相互结合型网络 | 第17-18页 |
| 2.4 神经网络的学习方法 | 第18-20页 |
| 2.4.1 Hebb学习规则 | 第18页 |
| 2.4.2 感知器学习规则 | 第18-20页 |
| 2.4.3 W-H学习法则 | 第20页 |
| 2.5 神经网络的发展 | 第20-23页 |
| 2.5.1 第一阶段 | 第21页 |
| 2.5.2 第二阶段 | 第21-22页 |
| 2.5.3 第三阶段 | 第22-23页 |
| 2.6 神经网络国内发展概况 | 第23页 |
| 2.7 神经网络研究现状 | 第23-25页 |
| 第三章 BP神经网络 | 第25-40页 |
| 3.1 BP神经网络 | 第25页 |
| 3.2 BP神经网络模型及其原理 | 第25-26页 |
| 3.3 BP神经网络的优点及局限性 | 第26-27页 |
| 3.4 BP神经网络算法描述 | 第27-30页 |
| 3.5 BP神经网络算法流程图 | 第30-31页 |
| 3.6 影响因素分析 | 第31-35页 |
| 3.6.1 权值调整方法影响分析 | 第31-32页 |
| 3.6.2 激活函数选择影响分析 | 第32页 |
| 3.6.3 学习率η选择影响分析 | 第32-33页 |
| 3.6.4 输入输出归一化影响分析 | 第33-34页 |
| 3.6.5 其他因素影响 | 第34-35页 |
| 3.7 BP算法的改进 | 第35-40页 |
| 3.7.1 弹性BP学习算法 | 第36-37页 |
| 3.7.2 共轭梯度学习法 | 第37-38页 |
| 3.7.3 L-M算法 | 第38-40页 |
| 第四章 遗传算法 | 第40-47页 |
| 4.1 遗传算法 | 第40-41页 |
| 4.2 遗传算法的机理 | 第41-42页 |
| 4.3 标准遗传算法 | 第42-43页 |
| 4.4 遗传算法的特点 | 第43-47页 |
| 第五章 GA+BP算法的设计 | 第47-57页 |
| 5.1 遗传编码与解码 | 第47-49页 |
| 5.2 适应度函数的设计 | 第49-50页 |
| 5.3 遗传算子的设计 | 第50-57页 |
| 5.3.1 选择 | 第50-51页 |
| 5.3.2 交叉 | 第51-52页 |
| 5.3.3 变异 | 第52-57页 |
| 第六章 GA+BP神经网络算法在MATLAB上的仿真 | 第57-66页 |
| 6.1 MATLAB介绍 | 第57-58页 |
| 6.1.1 MATLAB特点 | 第57页 |
| 6.1.2 MATLAB工具箱 | 第57-58页 |
| 6.2 仿真 | 第58-66页 |
| 6.2.1 BP算法实现 | 第59-60页 |
| 6.2.2 GA+BP算法实现 | 第60-66页 |
| 第七章 论文总结与展望 | 第66-67页 |
| 7.1 论文总结 | 第66页 |
| 7.2 展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70页 |