| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 课题背景 | 第9页 |
| 1.2 研究目的 | 第9-10页 |
| 1.3 国内外相关研究现状 | 第10-11页 |
| 1.3.1 国外研究现状 | 第10页 |
| 1.3.2 国内研究现状 | 第10-11页 |
| 1.4 论文主要内容及组织结构 | 第11-13页 |
| 1.4.1 研究内容 | 第11-12页 |
| 1.4.2 论文结构 | 第12-13页 |
| 2 BP神经网络算法 | 第13-23页 |
| 2.1 人工神经网络概述 | 第13页 |
| 2.2 BP神经网络基本结构和原理 | 第13-14页 |
| 2.3 BP神经网络学习算法的描述 | 第14-18页 |
| 2.3.1 正向传播 | 第15页 |
| 2.3.2 反向传播 | 第15-18页 |
| 2.4 BP神经网络的设计 | 第18-19页 |
| 2.4.1 输入层和输出层的设计 | 第18-19页 |
| 2.4.2 BP神经网络初始权值的选取 | 第19页 |
| 2.5 BP神经网络存在缺陷的原因分析 | 第19-20页 |
| 2.5.1 收敛速度慢的原因 | 第20页 |
| 2.5.2 发生振荡的原因 | 第20页 |
| 2.6 BP神经网络算法的改进策略 | 第20-22页 |
| 2.6.1 增加动量项 | 第20-21页 |
| 2.6.2 调整学习速率 | 第21页 |
| 2.6.3 个体变学习率 | 第21-22页 |
| 2.7 本章小结 | 第22-23页 |
| 3 基于改进BP神经网络的CO_2通量预测模型 | 第23-32页 |
| 3.1 实验数据 | 第23-24页 |
| 3.1.1 实验数据 | 第23-24页 |
| 3.1.2 数据归预处理 | 第24页 |
| 3.2 BP神经网络设计 | 第24-27页 |
| 3.2.1 网络的输入输出选取 | 第24页 |
| 3.2.2 网络参数确定 | 第24-25页 |
| 3.2.3 网络模型的实现 | 第25-27页 |
| 3.3 网络模型的训练结果及预测结 | 第27-31页 |
| 3.3.1 模型性能评价指标 | 第27页 |
| 3.3.2 BP神经网络训练及模型验证结果分析 | 第27-31页 |
| 3.4 本章小结 | 第31-32页 |
| 4 基于PSO-BP神经网络的CO_2通量预测模型 | 第32-39页 |
| 4.1 粒子群算法 | 第32-34页 |
| 4.1.1 粒子群算法的基本原理 | 第32页 |
| 4.1.2 粒子群优化算法的数学描述 | 第32-33页 |
| 4.1.3 对粒子群算法的改进 | 第33-34页 |
| 4.2 粒子群算法参数的选取 | 第34页 |
| 4.3 粒子群算法优化的BP神经网络模型的实现 | 第34-35页 |
| 4.4 模型验证结果分析 | 第35-38页 |
| 4.5 本章小结 | 第38-39页 |
| 5 基于遗传BP神经网络的CO_2通量预测模型 | 第39-52页 |
| 5.1 遗传算法 | 第39-44页 |
| 5.1.1 遗传算法的基本原理 | 第39页 |
| 5.1.2 遗传算法基本流程 | 第39-40页 |
| 5.1.3 适应度函数 | 第40-41页 |
| 5.1.4 遗传操作 | 第41-42页 |
| 5.1.5 遗传算法的缺陷及改进策略 | 第42-44页 |
| 5.2 遗传算法参数的选取 | 第44页 |
| 5.3 遗传算法优化的BP神经网络模型的实现 | 第44-47页 |
| 5.4 模型验证结果分析 | 第47-51页 |
| 5.5 本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读学位期间发表的学术论文 | 第57-58页 |
| 致谢 | 第58-59页 |