| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-11页 |
| ·系统开发背景、目的及意义 | 第7-8页 |
| ·国内外的现状及发展动态 | 第8-10页 |
| ·论文主要工作内容 | 第10-11页 |
| 第二章 BP网络概述 | 第11-24页 |
| ·人工神经网络 | 第11-14页 |
| ·神经网络的发展概述 | 第11-12页 |
| ·神经网络的特点 | 第12页 |
| ·神经网络学习控制 | 第12-13页 |
| ·神经网络非线性控制 | 第13页 |
| ·神经网络用于预测技术 | 第13-14页 |
| ·BP网络(Back Propagation Neural Network) | 第14-24页 |
| ·BP网络的历史及概述 | 第14-15页 |
| ·BP网络用于预测原理 | 第15页 |
| ·基于BP算法的多层前馈网络模型 | 第15-17页 |
| ·BP学习算法 | 第17-19页 |
| ·改进BP学习算法 | 第19-21页 |
| ·误差曲面与BP算法的局限性 | 第21页 |
| ·隐层节点数的确定 | 第21-22页 |
| ·网络的泛化能力 | 第22页 |
| ·反向传播学习的优点和局限 | 第22-24页 |
| 第三章 RBF网络 | 第24-30页 |
| ·径向基函数网络(RBFNN)概述及其发展 | 第24页 |
| ·径向基函数网络的原理 | 第24-30页 |
| ·径向基函数网络 | 第26-27页 |
| ·RBF网络模型结构 | 第27-30页 |
| 第四章 系统设计与实现 | 第30-48页 |
| ·课题研究内容及具体实例 | 第30-31页 |
| ·网络结构的选取和训练样本集的选择 | 第31-38页 |
| ·用于负荷建模的神经网络结构 | 第31-32页 |
| ·数据预处理 | 第32-33页 |
| ·负荷模式的划分 | 第33-38页 |
| ·参数的选取 | 第38页 |
| ·具体预测步骤 | 第38-40页 |
| ·提高影响因素的预测精度以及影响因素的量化能力 | 第40页 |
| ·预测结果 | 第40-42页 |
| ·关于节假日的预测的模式的划分 | 第42-43页 |
| ·关于最长预测时间 | 第43-44页 |
| ·预测方法之二RBF网络 | 第44-48页 |
| ·预测模型的设计 | 第44-45页 |
| ·具体操作步骤 | 第45-48页 |
| 第五章 系统关键技术简介 | 第48-53页 |
| ·预测控制技术 | 第48-51页 |
| ·预测技术概述 | 第48-49页 |
| ·预测方法 | 第49-51页 |
| ·模型仿真优化技术 | 第51-52页 |
| ·系统开发平台 | 第52-53页 |
| ·面向对象技术简介 | 第52页 |
| ·MATLAB简介 | 第52-53页 |
| 第六章 BP网络与RBF网络在性能等各方面的比较 | 第53-57页 |
| ·BP网络和RBF网络的比较及总结 | 第53-55页 |
| ·可能的发展方向 | 第55-57页 |
| 结束语 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-62页 |