| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·选题背景及意义 | 第7页 |
| ·群体智能算法的研究概况 | 第7-9页 |
| ·人工神经网络的研究概况 | 第9-10页 |
| ·论文的主要工作 | 第10-11页 |
| 第二章 人工神经网络概述 | 第11-15页 |
| ·人工神经元模型 | 第11-12页 |
| ·人工神经网络的构成 | 第12页 |
| ·人工神经网络的学习 | 第12-14页 |
| ·人工神经网络与生物神经网络的比较 | 第14-15页 |
| 第三章 粒子群算法概述 | 第15-26页 |
| ·粒子群算法的提出 | 第15-16页 |
| ·基本粒子群算法 | 第16-18页 |
| ·算法原理 | 第16-17页 |
| ·算法流程 | 第17页 |
| ·算法的社会行为分析 | 第17-18页 |
| ·几种改进粒子群算法 | 第18-22页 |
| ·带有惯性因子的粒子群算法 | 第18-19页 |
| ·带有收缩因子的粒子群算法 | 第19页 |
| ·基于遗传思想改进粒子群算法 | 第19-20页 |
| ·利用小生境思想的粒子群算法 | 第20-22页 |
| ·其他的改进粒子群算法 | 第22页 |
| ·具有量子行为粒子群算法 | 第22-24页 |
| ·粒子群算法的缺点 | 第22-23页 |
| ·具有量子行为粒子群算法模型 | 第23-24页 |
| ·具有量子行为粒子群算法的优点 | 第24页 |
| ·本章小结 | 第24-26页 |
| 第四章 群体智能算法在神经网络优化中的应用 | 第26-38页 |
| ·径向基函数神经网络结构和工作原理 | 第26-27页 |
| ·RBF 网常用的学习算法 | 第27-28页 |
| ·基于QPSO 算法的RBF 神经网络参数优化 | 第28-29页 |
| ·数据预处理及隐层单元数确定 | 第28-29页 |
| ·运用QPSO 算法优化RBF 网络 | 第29页 |
| ·基于QPSO(PSO)—RBF 网络的仿真实例 | 第29-32页 |
| ·Hermit 多项式的逼近 | 第29-32页 |
| ·地下水位预测 | 第32页 |
| ·基于QPSO—RBF 的混沌时间序列预测 | 第32-34页 |
| ·混沌时间序列预测问题描述 | 第32页 |
| ·三个混沌时间序列模型的仿真实验 | 第32-34页 |
| ·基于QPSO(PSO)—RBF 的非线性系统辨识 | 第34-37页 |
| ·基于RBF NN 的辨识器模型 | 第34-35页 |
| ·仿真结果 | 第35-37页 |
| ·结论 | 第37-38页 |
| 第五章 基于QPSO 算法的RBF 神经网络生化变量软测量研究 | 第38-50页 |
| ·谷氨酸工艺过程概述 | 第38-39页 |
| ·基于QPSO-RBF神经网络的谷氨酸发酵生化变量预估模型 | 第39-43页 |
| ·RBF 神经网络预估器的拓扑结构 | 第39页 |
| ·RBF 神经网络的训练数据 | 第39-41页 |
| ·系统仿真结果 | 第41-43页 |
| ·基于两类智能优化算法的RBF 神经网络预估模型比较 | 第43-49页 |
| ·遗传算法基本原理 | 第43-47页 |
| ·基于GA-RBF 神经网络的谷氨酸发酵生化变量预估模型 | 第47页 |
| ·系统仿真及结果比较 | 第47-49页 |
| ·小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| ·工作总结 | 第50页 |
| ·展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间发表的论文 | 第56页 |
