改进GA-BP算法在GPS高程拟合中的应用
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-15页 |
| ·课题研究的背景与意义 | 第11页 |
| ·GPS 高程测量与转换的研究现状 | 第11-13页 |
| ·重力模型 | 第11-12页 |
| ·解析模型 | 第12-13页 |
| ·人工智能模型 | 第13页 |
| ·本文的研究内容及特色 | 第13-15页 |
| 第2章 BP 神经网络 | 第15-24页 |
| ·引言 | 第15页 |
| ·神经网络的概述 | 第15-18页 |
| ·神经网络的发展和运用 | 第15页 |
| ·人工神经元模型 | 第15-17页 |
| ·神经网络的基本原理 | 第17-18页 |
| ·BP 神经网络的权值阈值修正 | 第18-21页 |
| ·BP 网络的构建与算法 | 第18-20页 |
| ·BP 网络的训练过程 | 第20-21页 |
| ·BP 网络的实例分析 | 第21-23页 |
| ·隐含层节点数对 BP 网络的影响 | 第21-22页 |
| ·学习速率对 BP 网络的影响 | 第22页 |
| ·不同的激活函数对 BP 网络的影响 | 第22-23页 |
| ·BP 网络的局限性 | 第23页 |
| 本章小结 | 第23-24页 |
| 第3章 遗传算法 | 第24-35页 |
| ·引言 | 第24页 |
| ·遗传算法的基本理论 | 第24-30页 |
| ·遗传算法的概述 | 第24-25页 |
| ·遗传算法的基本操作 | 第25-29页 |
| ·遗传算法的基本流程 | 第29-30页 |
| ·遗传算法的参数分析 | 第30-34页 |
| ·种群规模、杂交和变异率分析 | 第30-32页 |
| ·p_c-p_m优化组合曲线 | 第32-34页 |
| 本章小结 | 第34-35页 |
| 第4章 改进遗传算法 | 第35-44页 |
| ·引言 | 第35页 |
| ·模拟退火算法 | 第35-38页 |
| ·模拟退火算法概述 | 第35页 |
| ·Metropolis 接受准则 | 第35-36页 |
| ·模拟退火算法过程 | 第36-37页 |
| ·退火演化算法 | 第37-38页 |
| ·遗传算法的改进 | 第38-40页 |
| ·遗传算法改进原则 | 第38页 |
| ·模拟退火遗传算法 | 第38-40页 |
| ·自适应调节改进策略 | 第40页 |
| ·遗传算法与改进算法比较 | 第40-43页 |
| ·拟退火遗传算法实例分析 | 第40-43页 |
| ·自适应调节遗传算法实例分析 | 第43页 |
| 本章小结 | 第43-44页 |
| 第5章 GA-BP 算法在高程拟合中的运用 | 第44-54页 |
| ·拟退火遗传算法对 BP 网络的优化 | 第44-46页 |
| ·GA 算法和 BP 网络在工程运用中的不足 | 第44页 |
| ·遗传算法优化 BP 网络算法模型 | 第44-46页 |
| ·GPS 高程转换算法 | 第46-53页 |
| ·曲线拟合 | 第46-48页 |
| ·SGA 算法优化 BP 网络模型 | 第48-52页 |
| ·NIAGA 算法优化 BP 网络模型 | 第52-53页 |
| 本章小结 | 第53-54页 |
| 第6章 结论与展望 | 第54-56页 |
| ·结论 | 第54-55页 |
| ·展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 作者简介及科研成果 | 第59-60页 |
| 致谢 | 第60页 |
