| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-20页 |
| ·人工神经元网络的发展 | 第12-13页 |
| ·典型的神经网络 | 第13-17页 |
| ·多层前馈神经网络 | 第13-14页 |
| ·Hopfield网络 | 第14页 |
| ·Grossberg网络 | 第14-15页 |
| ·SOFM网络 | 第15页 |
| ·递归网络 | 第15-16页 |
| ·RBF网络 | 第16-17页 |
| ·广义回归神经网络 | 第17-18页 |
| ·本文内容组织 | 第18-20页 |
| 第二章 广义回归神经网络 | 第20-31页 |
| ·广义回归神经网络 | 第21-24页 |
| ·GRNN的理论基础 | 第21-22页 |
| ·GRNN的网络结构 | 第22-23页 |
| ·光滑因子的优化 | 第23页 |
| ·一个简单的应用 | 第23-24页 |
| ·改进的广义回归神经网络 | 第24-26页 |
| ·理论基础 | 第24-26页 |
| ·光滑因子的优化 | 第26页 |
| ·为延迟焦化过程建立反应模型 | 第26-30页 |
| ·确定模型的自变量和因变量 | 第26-28页 |
| ·建模的实验方法和结果 | 第28-29页 |
| ·结果分析与讨论 | 第29-30页 |
| ·小结 | 第30-31页 |
| 第三章 基于PLSR的RBF网络 | 第31-42页 |
| ·偏最小二乘回归(Partial Least Square Regression，PLSR) | 第32-38页 |
| ·偏最小二乘回归成分(PLS成分) | 第32-34页 |
| ·PLS成分选取 | 第34-36页 |
| ·偏最小二乘回归算法 | 第36-38页 |
| ·偏最小二乘回归的特点 | 第38页 |
| ·径向基神经网络(RBF网络) | 第38-39页 |
| ·RBF网络和PLSR的结合 | 第39页 |
| ·RBF-PLSR在延迟焦化反应建模中的应用 | 第39-41页 |
| ·建模方法与实验结果 | 第40页 |
| ·结果比较与分析 | 第40-41页 |
| ·小结 | 第41-42页 |
| 第四章 遗传算法及优进策略 | 第42-55页 |
| ·简单遗传算法 | 第42-46页 |
| ·简单遗传算法(SGA)用作参数估计 | 第46页 |
| ·优进遗传算法 | 第46-49页 |
| ·改进的交叉算子 | 第47-48页 |
| ·交叉率和变异率的自适应调整 | 第48页 |
| ·寻优算子的设计 | 第48-49页 |
| ·EGA的实施步骤 | 第49页 |
| ·算法测试 | 第49-51页 |
| ·EGA在延迟焦化反应过程建模中的应用 | 第51-54页 |
| ·建模方法和实验结果 | 第51-54页 |
| ·分析与讨论 | 第54页 |
| ·小结 | 第54-55页 |
| 第五章 用多Agent技术实施遗传算法 | 第55-71页 |
| ·Agent | 第55-58页 |
| ·Agent的发展历史及现状 | 第55-56页 |
| ·Agent的本质属性和定义 | 第56-58页 |
| ·MAgent-GA系统的构建及其功能实现 | 第58-65页 |
| ·MAgent-GA系统的组成和描述 | 第59-62页 |
| ·MAgent-GA系统的功能实现 | 第62-65页 |
| ·MAgent-GA的算法流程 | 第65-66页 |
| ·函数优化应用实例 | 第66-68页 |
| ·MAgent-GA在延迟焦化反应过程建模中的应用 | 第68-70页 |
| ·建模方法和实验结果 | 第69-70页 |
| ·分析与讨论 | 第70页 |
| ·小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-74页 |
| ·总结 | 第71-72页 |
| ·展望 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 致谢 | 第80-81页 |
| 作者在攻读硕士学位期间撰写的论文以及参与的项目 | 第81页 |