遗传算法和神经网络在软件抗衰技术中的应用
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-11页 |
| ·研究背景 | 第7-8页 |
| ·软件抗衰及其预测领域的研究现状 | 第8-9页 |
| ·本文主要工作 | 第9-10页 |
| ·本文的结构与组织 | 第10-11页 |
| 2 遗传算法的基础理论 | 第11-17页 |
| ·遗传算法的产生与发展 | 第11页 |
| ·遗传算法的工作原理 | 第11-14页 |
| ·遗传算法的生物学原理 | 第11-12页 |
| ·基本遗传算法(SGA)的构成因素 | 第12-13页 |
| ·基本遗传算法的一般步骤 | 第13-14页 |
| ·遗传算法的特点和应用 | 第14-15页 |
| ·遗传算法的改进方法 | 第15-16页 |
| ·成长过程 | 第15-16页 |
| ·最优保存策略 | 第16页 |
| ·自适应算法 | 第16页 |
| ·本章小结 | 第16-17页 |
| 3 人工神经网络的基础理论 | 第17-27页 |
| ·人工神经网络的基础知识 | 第17-21页 |
| ·人工神经元模型 | 第17-18页 |
| ·神经元的激励函数 | 第18-19页 |
| ·神经网络的类型 | 第19-21页 |
| ·BP 网络的基础知识 | 第21-25页 |
| ·BP 网络的反向传播算法 | 第21-22页 |
| ·BP 网络的公式推导 | 第22-25页 |
| ·BP 算法的改进方法 | 第25页 |
| ·神经网络的特点和应用 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 4 基于遗传算法和神经网络的预测方法设计 | 第27-45页 |
| ·预测方法结构设计 | 第27-29页 |
| ·遗传算法和神经网络结合方式 | 第27-28页 |
| ·本文中的预测算法流程 | 第28-29页 |
| ·遗传算法部分的设计 | 第29-35页 |
| ·编码方案 | 第29-30页 |
| ·染色体结构 | 第30-31页 |
| ·初始群体的生成 | 第31-32页 |
| ·个体成长 | 第32页 |
| ·适应度函数 | 第32-33页 |
| ·遗传算子 | 第33-35页 |
| ·终止条件 | 第35页 |
| ·BP 神经网络部分的设计 | 第35-44页 |
| ·网络的输入数据及目标输出 | 第35-36页 |
| ·样本的组织 | 第36页 |
| ·网络结构 | 第36-39页 |
| ·激励函数 | 第39-40页 |
| ·学习算法 | 第40-41页 |
| ·网络评价 | 第41-42页 |
| ·网络训练 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 5 预测实例及结果分析 | 第45-59页 |
| ·数据预处理 | 第45-46页 |
| ·数据来源 | 第45页 |
| ·数据归一化 | 第45-46页 |
| ·用遗传算法生成初始网络 | 第46-49页 |
| ·本文的方法产生的问题 | 第46-47页 |
| ·进一步的改进方法 | 第47页 |
| ·结果分析及比较 | 第47-49页 |
| ·用 BP 算法优化网络 | 第49-57页 |
| ·网络训练 | 第49-53页 |
| ·泛化能力 | 第53-55页 |
| ·预测结果 | 第55-57页 |
| ·算法比较 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 总结与展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
