| 摘要 | 第1-3页 |
| Abstract | 第3-7页 |
| 第一章 引言 | 第7-11页 |
| ·问题的提出 | 第7页 |
| ·遗传算法与神经网络结合的研究方法 | 第7-8页 |
| ·遗传算法与神经网络结合的研究现状 | 第8-10页 |
| ·本文所做的工作 | 第10-11页 |
| 第二章 人工神经网络 | 第11-35页 |
| ·人工神经网络概述 | 第11-13页 |
| ·人工神经网络基本概念和特点 | 第11页 |
| ·人工神经网络的发展与应用 | 第11-13页 |
| ·人工神经网络原理 | 第13-18页 |
| ·人工神经元模型 | 第13-15页 |
| ·人工神经网络结构 | 第15-18页 |
| ·人工神经网络学习 | 第18页 |
| ·BP网络结构与学习算法 | 第18-21页 |
| ·BP网络拓扑结构 | 第19页 |
| ·BP网络学习算法 | 第19-21页 |
| ·BP网络设计 | 第21-22页 |
| ·BP网络分析与改进 | 第22-25页 |
| ·BP网络存在问题 | 第22-23页 |
| ·BP网络改进 | 第23-25页 |
| ·分式线性神经网络 | 第25-33页 |
| ·网络结构与原理 | 第25-26页 |
| ·状态方程与性能指标 | 第26-28页 |
| ·训练算法 | 第28-33页 |
| ·本文分式线性神经网络的特征 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 遗传算法 | 第35-51页 |
| ·遗传算法的基本原理与特点 | 第36-38页 |
| ·基本原理 | 第36-37页 |
| ·特点 | 第37-38页 |
| ·遗传算法基本操作 | 第38-42页 |
| ·选择 | 第38-39页 |
| ·交叉 | 第39-40页 |
| ·变异 | 第40-42页 |
| ·遗传算法基本实现 | 第42-46页 |
| ·编码方法 | 第42-43页 |
| ·适应度函数 | 第43-45页 |
| ·遗传算子 | 第45页 |
| ·群体设定与初始化群体 | 第45-46页 |
| ·控制参数的选择 | 第46页 |
| ·遗传算法工具箱 | 第46页 |
| ·遗传算法的改进 | 第46-47页 |
| ·遗传算法在设计神经网络中的应用 | 第47-48页 |
| ·结合方式 | 第47-48页 |
| ·实际应用 | 第48页 |
| ·文本设计的遗传算法 | 第48-49页 |
| ·本章小结 | 第49-51页 |
| 第四章 基于GA的分式线性神经网络BP算法设计 | 第51-61页 |
| ·引言 | 第51页 |
| ·优化算法的提出 | 第51-53页 |
| ·遗传算法的MATLAB实现 | 第53-56页 |
| ·初始化种群 | 第53-54页 |
| ·适应度函数 | 第54-55页 |
| ·遗传算子 | 第55页 |
| ·终止函数 | 第55-56页 |
| ·实验与仿真 | 第56-58页 |
| ·分式线性网络模型参数选取 | 第56-57页 |
| ·遗传算法参数选取 | 第57-58页 |
| ·训练与仿真结果 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 基于GA的分式线性神经网络模型预测大庆降雨量 | 第61-69页 |
| ·引言 | 第61页 |
| ·仿真内容 | 第61-64页 |
| ·数据来源和选取 | 第61页 |
| ·数据归一化 | 第61-63页 |
| ·大庆降雨量的基于GA的分式线性网络预测模型 | 第63-64页 |
| ·基于改进算法的BP网络预测模型 | 第64页 |
| ·仿真结果与分析 | 第64-68页 |
| ·本章小结 | 第68-69页 |
| 总结和展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读学位期间的研究成果 | 第75-77页 |
| 致谢 | 第77-80页 |