| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-14页 |
| ·研究背景及意义 | 第10-11页 |
| ·研究现状 | 第11-12页 |
| ·知识管理绩效评价的研究现状 | 第11-12页 |
| ·BP 神经网络的研究现状 | 第12页 |
| ·主要的研究内容 | 第12-14页 |
| 第二章 企业知识管理绩效评价的原理 | 第14-32页 |
| ·知识及知识管理的内涵 | 第14-15页 |
| ·知识的定义 | 第14页 |
| ·知识管理的内涵 | 第14-15页 |
| ·知识管理绩效评价的内涵、目的 | 第15-16页 |
| ·绩效评价的内涵 | 第15页 |
| ·绩效评价的目的 | 第15-16页 |
| ·知识管理绩效评价的方法 | 第16-19页 |
| ·AHP 方法 | 第16-17页 |
| ·德尔菲 (Delphi) 法 | 第17页 |
| ·因子分析法 | 第17-18页 |
| ·主成分分析法(Principal Component Analysis) | 第18-19页 |
| ·平衡计分卡 | 第19页 |
| ·绩效评价的数学模型 | 第19-20页 |
| ·模糊综合评价法 | 第19页 |
| ·BP 神经网络方法 | 第19-20页 |
| ·评价指标体系的设计原则 | 第20-21页 |
| ·知识管理绩效评价指标体系的构建 | 第21-24页 |
| ·构建评价要素 | 第21-24页 |
| ·筛选评价指标应注意的问题 | 第24页 |
| ·AHP 方法确定权重 | 第24-31页 |
| ·AHP 方法的步骤 | 第24-27页 |
| ·确定指标权重 | 第27-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 基于 BP 神经网络知识管理评价模型 | 第32-48页 |
| ·神经网络理论 | 第32-37页 |
| ·BP 神经网络的拓扑结构 | 第32-33页 |
| ·BP 神经网络的算法理论 | 第33-37页 |
| ·BP 神经网络的设计 | 第37-39页 |
| ·网络层数 | 第37页 |
| ·初始权值 | 第37页 |
| ·各层节点数 | 第37-38页 |
| ·传递函数 | 第38页 |
| ·学习速率 | 第38-39页 |
| ·误差函数 | 第39页 |
| ·基于 BP 神经网络知识管理评价模型 | 第39-47页 |
| ·知识管理绩效的 BP 神经网络评价原理 | 第39-41页 |
| ·BP 神经网络知识管理绩效评价的算法实现 | 第41-43页 |
| ·知识管理评价的 BP 神经网络模型 | 第43-44页 |
| ·BP 网络模型的仿真分析 | 第44-47页 |
| ·本章小结 | 第47-48页 |
| 第四章 改进的 BP 网络知识管理评价模型 | 第48-69页 |
| ·标准 BP 网络算法评价不精确的原因分析 | 第48-49页 |
| ·改进的 BP 神经网络算法 | 第49-57页 |
| ·附加动量项算法 | 第49-50页 |
| ·自适应学习速率算法 | 第50-51页 |
| ·动量‐自适应学习速率算法 | 第51-52页 |
| ·Levenberg‐Marquardt (LM)算法 | 第52-54页 |
| ·遗传神经网络方法 (GA‐BP) | 第54-57页 |
| ·改进 BP 算法的仿真分析 | 第57-68页 |
| ·动量‐自适应算法评价模型的仿真分析 | 第57-60页 |
| ·LM 算法评价模型的仿真分析及比较 | 第60-64页 |
| ·遗传神经网络方法仿真分析 | 第64-68页 |
| ·本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 1 总结 | 第69页 |
| 2 研究展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间取得的研究成果 | 第76-77页 |
| 致谢 | 第77-78页 |
| 附件 | 第78页 |