| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1. 绪论 | 第11-25页 |
| 1.1. 引言 | 第11页 |
| 1.2. 聚丙烯熔融指数预报 | 第11-14页 |
| 1.2.1 聚丙烯及其熔融指数 | 第11-12页 |
| 1.2.2 熔融指数预报研究现状 | 第12-14页 |
| 1.3. 模糊系统 | 第14-16页 |
| 1.3.1. 模糊集 | 第14页 |
| 1.3.2. 模糊规则 | 第14-15页 |
| 1.3.3. 模糊推理系统 | 第15-16页 |
| 1.4. 神经网络 | 第16-17页 |
| 1.5. 智能优化算法 | 第17-23页 |
| 1.5.1. 遗传算法 | 第18-19页 |
| 1.5.2. 粒子群优化算法 | 第19-21页 |
| 1.5.3. 蚁群优化算法 | 第21-23页 |
| 1.6. 本文结构与安排 | 第23-25页 |
| 2. 基于D-FNN的熔融指数预报研究 | 第25-39页 |
| 2.1. 动态模糊神经网络的结构 | 第25-26页 |
| 2.2. 动态模糊神经网络的学习算法 | 第26-32页 |
| 2.2.1. 系统误差和可容纳边界 | 第26-27页 |
| 2.2.2. 分级学习思想 | 第27-28页 |
| 2.2.3. 前提参数分配 | 第28页 |
| 2.2.4. 结果参数确定 | 第28-29页 |
| 2.2.5. 修剪技术 | 第29-32页 |
| 2.3. 基于D-FNN的熔融指数预报 | 第32-37页 |
| 2.3.1. 建模对象过程介绍 | 第32-33页 |
| 2.3.2. 过程数据及其预处理 | 第33-34页 |
| 2.3.3. 模型性能指标 | 第34-35页 |
| 2.3.4. D-FNN在熔融指数预报中的应用分析 | 第35-37页 |
| 2.4. 小结 | 第37-39页 |
| 3. 基于ACO算法模型优化研究 | 第39-49页 |
| 3.1. ACO算法 | 第39-44页 |
| 3.1.1. ACO算法介绍 | 第39-40页 |
| 3.1.2. ACO算法优化D-FNN参数 | 第40-43页 |
| 3.1.3. 自适应ACO算法优化D-FNN参数 | 第43-44页 |
| 3.2. ACO算法优化效果分析 | 第44-47页 |
| 3.3. 小结 | 第47-49页 |
| 4. 基于PSO算法模型优化研究 | 第49-57页 |
| 4.1. PSO-D-FNN优化模型 | 第49-50页 |
| 4.2. 混沌GA/PSO优化模型 | 第50-52页 |
| 4.3. PSO算法优化效果分析 | 第52-55页 |
| 4.4. 小结 | 第55-57页 |
| 5. 总结与展望 | 第57-59页 |
| 5.1. 全文总结 | 第57-58页 |
| 5.2. 本文研究展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 作者攻读硕士期间的主要成果 | 第65页 |