| 第一章 绪论 | 第1-12页 |
| 1．1 本文的研究背景 | 第8-9页 |
| 1．2 国内外的研究状况 | 第9-11页 |
| 1．3 本文所做的工作 | 第11-12页 |
| 第二章 神经网络的系统模型 | 第12-26页 |
| 2．1 神经元及其行为机理 | 第13-19页 |
| 2．1．1 神经元的生物学解剖 | 第13-15页 |
| 2．1．2 神经元的信息处理与传递 | 第15-17页 |
| 2．1．3 神经元的数学模型 | 第17-19页 |
| 2．2 神经网络结构及功能 | 第19-23页 |
| 2．2．1 神经网络 | 第19-22页 |
| 2．2．2 神经网络信息处理的数学过程 | 第22-23页 |
| 2．3 神经网络的学习算法 | 第23-26页 |
| 第三章 神经网络备选模型的置信区间 | 第26-34页 |
| 3．1 线性模型置信区间的估计 | 第26-28页 |
| 3．1．1 线性最小二乘估计 | 第26-27页 |
| 3．1．2 线性回归函数的置信区间 | 第27-28页 |
| 3．2 非线性模型的近似置信区间 | 第28-31页 |
| 3．2．1 非线性最小二乘估计的线性台劳级数展开 | 第28-29页 |
| 3．2．2 非线性回归函数的近似置信区间 | 第29-30页 |
| 3．2．3 近似置信区间的质量 | 第30-31页 |
| 3．3 神经网络模型输出的置信区间 | 第31-34页 |
| 3．3．1 用于模型选择的ALOOS | 第31-32页 |
| 3．3．2 神经网络模型输出的近似置信区间的准确性 | 第32-34页 |
| 第四章 非线性建模中神经网络模型的构建与选择 | 第34-46页 |
| 4．1 非线性回归模型 | 第34-36页 |
| 4．1．1 回归模型 | 第34-35页 |
| 4．1．2 预测模型 | 第35-36页 |
| 4．2 最小二乘估计 | 第36-37页 |
| 4．3 统计学工具 | 第37-43页 |
| 4．3．1 条件数分析 | 第37-38页 |
| 4．3．2 统计检验 | 第38-42页 |
| 4．3．3 交叉验证 | 第42-43页 |
| 4．4 神经网络模型的构建和选择程序 | 第43-46页 |
| 4．4．1 增加参数的估计和确认步骤 | 第44-45页 |
| 4．4．2 减少隐神经元和输入的步骤 | 第45-46页 |
| 第五章 仿真实验 | 第46-51页 |
| 5．1 预估隐神经元数 | 第46-48页 |
| 5．2 选择隐含层神经元和输入 | 第48-50页 |
| 5．3 推论 | 第50-51页 |
| 第六章 结束语 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 发表论文情况说明 | 第55-56页 |
| 致谢 | 第56页 |