| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 1 引言 | 第9-12页 |
| ·选题背景 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| 2 多道γ谱测量原理及其处理方法综述 | 第12-19页 |
| ·天然放射性核素的特征γ能谱峰 | 第12-15页 |
| ·NaI(TI)(digiDART)γ探测器的工作原理 | 第15页 |
| ·NaI(TI)多道γ能谱处理方法综述 | 第15-19页 |
| 3 重叠峰分解的理论基础和数学原理 | 第19-33页 |
| ·重叠峰分解的理论基础 | 第19页 |
| ·人工神经网络 | 第19-27页 |
| ·神经网络研究的历史 | 第19-20页 |
| ·神经网络原理 | 第20-24页 |
| ·人工神经网络的应用领域 | 第24-25页 |
| ·单层神经元网络模型结构 | 第25-27页 |
| ·自适应线性元件 | 第27-31页 |
| ·自适应线性神经元模型和结构 | 第28页 |
| ·W-H学习规则 | 第28-30页 |
| ·网络训练 | 第30-31页 |
| ·基于神经网络的智能能谱重叠峰解析 | 第31-33页 |
| 4 遗传算法原理及其应用于神经网络的MATLAB实现 | 第33-47页 |
| ·遗传算法的产生与发展 | 第33-35页 |
| ·遗传算法的一些概念 | 第35-40页 |
| ·遗传算法的基本思想 | 第36-37页 |
| ·遗传算法的特点 | 第37-38页 |
| ·应用遗传算法的一般步骤 | 第38-40页 |
| ·遗传算法(GA)的算法设计与实现 | 第40-43页 |
| ·对于实际问题抽象出遗传算法实现方案步骤 | 第40-41页 |
| ·初始种群的产生 | 第41页 |
| ·算法设计与实现 | 第41-43页 |
| ·遗传算法的改进 | 第43-47页 |
| ·基于小生境技术的遗传算法 | 第43-46页 |
| ·遗传算法与最速下降法相结合的混合遗传算法 | 第46-47页 |
| 5 基于高斯模型神经网络的NaI(TI)能谱重叠峰解析 | 第47-73页 |
| ·基于高斯模型神经网络的能谱重叠峰解析 | 第47-50页 |
| ·径向基函数神经网络 | 第47-48页 |
| ·以Gaussian模型为基函数的径向基函数神经网络 | 第48-49页 |
| ·约束最优保留遗传算法 | 第49-50页 |
| ·基于MATLAB的RBFNN神经网络 | 第50-51页 |
| ·基于MATLAB以高斯模型为基函数的RBFNN网络的设计 | 第51页 |
| ·基于高斯模型的RBFNN重叠峰解析 | 第51-73页 |
| ·数据预处理 | 第51-55页 |
| ·数据的提取 | 第55-56页 |
| ·全能谱低能段重叠特征能量峰的解析 | 第56-67页 |
| ·确定高斯模型的九个参数 | 第60-67页 |
| ·神经网络的RBFNN重叠峰解析 | 第67-73页 |
| 6 结论和建议 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 附录Ⅰ | 第78-84页 |
| 附录Ⅱ | 第84-95页 |
| 附录Ⅲ | 第95-97页 |
