| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第7-14页 |
| 1.1 研究背景 | 第7页 |
| 1.2 软测量技术的主要内容 | 第7-11页 |
| 1.2.1 辅助变量的选择及数据预处理 | 第8-9页 |
| 1.2.2 软测量模型的建立 | 第9-10页 |
| 1.2.3 基于神经网络的软测量模型的研究现状 | 第10-11页 |
| 1.3 群体智能算法 | 第11-13页 |
| 1.4 本文主要研究内容及各章内容安排 | 第13-14页 |
| 第二章 相关背景知识介绍 | 第14-24页 |
| 2.1 RBF神经网络 | 第14-17页 |
| 2.1.1 RBF的模型结构 | 第14-15页 |
| 2.1.2 RBF神经网络的学习方法 | 第15-17页 |
| 2.2 遗传算法 | 第17-20页 |
| 2.2.1 遗传算法的基本原理 | 第17-19页 |
| 2.2.2 遗传算法参数的选择 | 第19-20页 |
| 2.2.3 遗传算法工具箱（GOAT） | 第20页 |
| 2.3 粒子群算法 | 第20-23页 |
| 2.3.1 粒子群算法基本原理 | 第21-22页 |
| 2.3.2 改进的粒子群算法 | 第22页 |
| 2.3.3 粒子群算法步骤 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于遗传算法的RBF神经网络结构优化和参数学习 | 第24-42页 |
| 3.1 基于遗传算法的RBF神经网络结构和参数优化基本思想 | 第24页 |
| 3.2 利用遗传算法串行优化RBF神经网络 | 第24-28页 |
| 3.2.1 串行优化RBF网络的优化设计 | 第24-25页 |
| 3.2.2 优化算法的设计步骤 | 第25-28页 |
| 3.3 利用遗传算法并行优化RBF神经网络 | 第28-31页 |
| 3.3.1 并行优化主要步骤 | 第29-31页 |
| 3.4 仿真 | 第31-33页 |
| 3.5 基于 4-CBA模型仿真分析 | 第33-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 基于粒子群算法的RBF神经网络结构优化和参数学习 | 第42-55页 |
| 4.1 基于粒子群算法的RBF神经网络结构和参数优化基本思想 | 第42页 |
| 4.2 利用粒子群算法串行优化RBF神经网络 | 第42-46页 |
| 4.2.1 串行优化RBF网络的优化设计 | 第42-43页 |
| 4.2.2 优化算法的步骤设计 | 第43-46页 |
| 4.3 利用粒子群算法并行优化RBF神经网络 | 第46-48页 |
| 4.3.1 并行优化主要步骤 | 第46-48页 |
| 4.4 仿真 | 第48-50页 |
| 4.5 基于 4-CBA模型仿真分析 | 第50-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 本文总结 | 第55页 |
| 5.2 本文展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60页 |
