| List of abbreviations | 第1-14页 |
| List of symbols | 第14-24页 |
| 1 Introduction | 第24-30页 |
| ·Advantages of artificial neural networks | 第25-26页 |
| ·Problems to be solved with the mostly used artificial neural network | 第26-27页 |
| ·Combination of artificial neural networks with fuzzy theory and genetic algorithm | 第27-28页 |
| ·Thesis outline | 第28-30页 |
| 2 Concept of computational intelligence | 第30-48页 |
| ·Fundamental of artificial neural networks | 第30-40页 |
| ·Components of artificial neural networks | 第32-34页 |
| ·Structure of artificial neural networks | 第34-39页 |
| ·Algorithms | 第39-40页 |
| ·Combination of neural network and fuzzy theory | 第40-44页 |
| ·Genetic algorithm | 第44-47页 |
| ·Summary | 第47-48页 |
| 3 PFNN_FG -a hybrid method | 第48-72页 |
| ·Parametric feedforward neural network-base of the hybrid method | 第48-57页 |
| ·Optimal artificial neural network structure | 第48-51页 |
| ·Parametric feedforward neural network | 第51-55页 |
| ·Shortcut connection | 第55-56页 |
| ·Radial basis function network | 第56-57页 |
| ·Fuzzy component in PFNNJ_FG | 第57-63页 |
| ·Input vector | 第58-60页 |
| ·Output representation | 第60-61页 |
| ·Rule extraction | 第61-63页 |
| ·Genetic algorithm in PFNN_FG | 第63-71页 |
| ·Chromosomal representation | 第65-66页 |
| ·Implementation | 第66-71页 |
| ·Summary | 第71-72页 |
| 4 PFNN_FG on benchmark | 第72-98页 |
| ·Integration of PFNN_FG in SNNS | 第72-73页 |
| ·A comparison between FNN and partially RNN architectures | 第73-80页 |
| ·Network architectures | 第73-74页 |
| ·Simulation and results | 第74-76页 |
| ·Conclusion | 第76-80页 |
| ·Results of using benchmark datasets | 第80-96页 |
| ·The Cancer data | 第81-87页 |
| ·The Diabetes data | 第87-89页 |
| ·The Glass data | 第89-90页 |
| ·The Thyroid data | 第90-92页 |
| ·The Soybean data | 第92-96页 |
| ·Summary | 第96-98页 |
| 5 Application of PFNN_FG in plant disease prediction | 第98-110页 |
| ·Plant disease prediction | 第98-102页 |
| ·Symptom | 第99页 |
| ·Disease pyramid | 第99-101页 |
| ·Disease Control | 第101-102页 |
| ·Necessity to use artificial neural network in plant disease prediction | 第102-104页 |
| ·Situation of PDP in China | 第102页 |
| ·Requirements of PDP | 第102-103页 |
| ·Importance of prediction model | 第103-104页 |
| ·Necessity of using ANN in plant disease prediction model | 第104页 |
| ·ANNs in currently used models for plant disease | 第104-106页 |
| ·Tests and results of application examples | 第106-110页 |
| ·Examplel: cucumber dataset from Pingliang | 第107-108页 |
| ·Example2: cucumber dataset from Hushi | 第108页 |
| ·Example3: cucumber dataset from Chengxian | 第108-110页 |
| 6 Summary | 第110-118页 |
| ·Contributions of the thesis | 第110-111页 |
| ·Future work | 第111-118页 |
| ·System design of IPS_PD | 第111-116页 |
| ·Questions | 第116-118页 |
| Bibliography | 第118-126页 |
| A Testing pattern files | 第126-134页 |
| A.1 Pingliang | 第126-127页 |
| A.2 Hushi | 第127-128页 |
| A.3 Chengxian | 第128-134页 |
| B Learning function of PFNN_FG | 第134-140页 |
| C Batchman script using modified SNNS | 第140-144页 |
| C.1 FNN for Cancer dataset | 第140-141页 |
| C.2 PFNN_FG for Cancer dataset | 第141-144页 |
| D Activation functions | 第144-148页 |
| D.1 Act_Fuzzy_Pi in modified SNNS | 第144-145页 |
| D.2 Act_Variant_Sigmoid in modified SNNS | 第145-148页 |
| D.2.1 Act_Variant_Sigmoid | 第145-146页 |
| D.2.2 Derivation of Act_Variant_Sigmoid | 第146-148页 |
| Acknowledgments | 第148-150页 |
| Publications | 第150-151页 |
