| 内容提要 | 第4-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第13-15页 |
| 1.1 选题背景和意义 | 第13页 |
| 1.2 论文的研究工作 | 第13-15页 |
| 第二章 智能计算方法基本理论 | 第15-42页 |
| 2.1 人工神经网络 | 第15-22页 |
| 2.1.1 算法简介 | 第15-16页 |
| 2.1.2 神经网络结构 | 第16-18页 |
| 2.1.3 神经网络算法 | 第18-19页 |
| 2.1.4 误差逆传播算法 | 第19页 |
| 2.1.5 准牛顿反向传播网络 | 第19-20页 |
| 2.1.6 误差函数 | 第20-22页 |
| 2.2 遗传算法 | 第22-27页 |
| 2.2.1 遗传算法的基本流程 | 第22-23页 |
| 2.2.2 种群的初始化 | 第23-24页 |
| 2.2.3 适应度函数 | 第24-25页 |
| 2.2.4 父代选择 | 第25页 |
| 2.2.5 变异和重组 | 第25-27页 |
| 2.3 粒子群算法 | 第27-30页 |
| 2.3.1 算法简介 | 第27页 |
| 2.3.2 算法原理 | 第27-28页 |
| 2.3.3 算法参数 | 第28-30页 |
| 2.4 支持向量机算法 | 第30-40页 |
| 2.4.1 最优超平面的可分离案例 | 第30-33页 |
| 2.4.2 建立不可分集合的最优超平面 | 第33-35页 |
| 2.4.3 最优超平面的预期风险界限 | 第35-36页 |
| 2.4.4 利用 Mercer 理论处理高维问题 | 第36页 |
| 2.4.5 支持向量机的构建 | 第36-38页 |
| 2.4.6 SVM 核理论 | 第38-40页 |
| 2.5 小结 | 第40-42页 |
| 第三章 基于 GA-BP 算法的冠心病无创性诊断研究 | 第42-51页 |
| 3.1 冠心病无创性诊断概述 | 第42页 |
| 3.2 GA-BP 混合智能计算方法 | 第42-47页 |
| 3.2.1 遗传算法与 BP 算法的主要特征 | 第42-43页 |
| 3.2.2 GA-BP 算法的主要计算步骤 | 第43-47页 |
| 3.3 实例仿真 | 第47-50页 |
| 3.3.1 参数量化 | 第48-49页 |
| 3.3.2 神经网络学习训练及优化 | 第49-50页 |
| 3.4 小结 | 第50-51页 |
| 第四章 基于 GA-BP-PSO 算法的地质灾害危险性评价 | 第51-63页 |
| 4.1 研究区域概况 | 第51-52页 |
| 4.2 地质灾害危险性评价问题概述 | 第52-53页 |
| 4.3 GA-BP-PSO 混合智能计算方法 | 第53-58页 |
| 4.3.1 GA-BP-PSO 算法的主要特征 | 第53页 |
| 4.3.2 GA-BP-PSO 算法的主要计算步骤 | 第53-58页 |
| 4.4 实例仿真 | 第58-61页 |
| 4.5 小结 | 第61-63页 |
| 第五章 基于两种混合智能算法的森林火灾预测研究 | 第63-80页 |
| 5.1 森林火灾预测问题概述 | 第63页 |
| 5.2 GRA-BRLMBP 混合智能计算方法 | 第63-72页 |
| 5.2.1 灰色关联分析模型的基本原理 | 第63-65页 |
| 5.2.2 基于 L-M 迭代的 BP 算法 | 第65-66页 |
| 5.2.3 基于贝叶斯正则化的 LMBP 神经网络优化 | 第66-67页 |
| 5.2.4 GRA-BRLMBP 算法的主要计算步骤 | 第67-68页 |
| 5.2.5 实例仿真 | 第68-71页 |
| 5.2.6 小结 | 第71-72页 |
| 5.3 MIV-BPSVM 混合智能计算方法 | 第72-80页 |
| 5.3.1 MIV-BP 神经网络算法 | 第72-73页 |
| 5.3.2 SVM 回归算法 | 第73-75页 |
| 5.3.3 实例仿真 | 第75-79页 |
| 5.3.4 小结 | 第79-80页 |
| 第六章 基于 GA-SVR 算法的淀粉价格预测研究 | 第80-89页 |
| 6.1 淀粉价格预测问题概述 | 第80页 |
| 6.2 GA-SVR 混合智能计算方法 | 第80-85页 |
| 6.2.1 SVR 算法 | 第80-83页 |
| 6.2.2 GA-SVR 算法 | 第83-84页 |
| 6.2.3 GA-SVR 算法的主要计算步骤 | 第84-85页 |
| 6.3 实验仿真 | 第85-88页 |
| 6.3.1 原始数据的采集 | 第85-86页 |
| 6.3.2 建立 GA-SVR 模型 | 第86-87页 |
| 6.3.3 结果讨论 | 第87-88页 |
| 6.4 小结 | 第88-89页 |
| 第七章 结论与展望 | 第89-91页 |
| 7.1 研究总结 | 第89-90页 |
| 7.2 未来研究展望 | 第90-91页 |
| 参考文献 | 第91-101页 |
| 作者简介及在学期间所取得的科研成果 | 第101-103页 |
| 致谢 | 第103页 |
