| 摘要 | 第1-11页 |
| ABSTRACT | 第11-14页 |
| 第一章 绪论 | 第14-34页 |
| ·人工神经网络技术的发展概况 | 第14-15页 |
| ·神经网络方法在大气科学中的应用研究 | 第15-21页 |
| ·在卫星云图、雷达图像识别中的应用研究 | 第15-16页 |
| ·在强对流天气预报中的应用研究 | 第16-17页 |
| ·在雾预报中的应用研究 | 第17页 |
| ·在温度预报中的应用研究 | 第17-18页 |
| ·在热带气旋预报中的应用研究 | 第18页 |
| ·在短期气候预测降水预报中的应用研究 | 第18-19页 |
| ·在短期、短时降水预报中的应用研究 | 第19-21页 |
| ·混合遗传神经网络的应用研究 | 第21-23页 |
| ·利用遗传算法优化神经网络预测模型的相关研究 | 第23-24页 |
| ·人工神经网络泛化性能的研究 | 第24-26页 |
| 参考文献 | 第26-34页 |
| 第二章 人工神经网络的原理和方法 | 第34-62页 |
| ·人工神经网络的概念和基木原理 | 第34-37页 |
| ·大脑与人工神经网络 | 第34-35页 |
| ·人工神经元模型 | 第35-37页 |
| ·神经网络的结构与类型 | 第37页 |
| ·神经网络的研究进展及应用 | 第37-41页 |
| ·人工神经网络的研究进展 | 第37-40页 |
| ·人工神经网络的应用 | 第40-41页 |
| ·BP 网络基本原理 | 第41-51页 |
| ·BP 网络的设计思想 | 第41-43页 |
| ·BP 网络的结构 | 第43-45页 |
| ·BP 网络建模特点和优点 | 第45页 |
| ·BP 算法的数学原理 | 第45-49页 |
| ·BP算法实现的步骤 | 第49-51页 |
| ·BP 神经网络结构与训练参数选取 | 第51-58页 |
| ·输入、输出层节点数的选定及数据的预处理 | 第51页 |
| ·BP 网络拓朴结构的确定 | 第51-52页 |
| ·训练样本的选取 | 第52-53页 |
| ·训练参数的选取 | 第53-55页 |
| ·网络的训练 | 第55页 |
| ·BP 网络模型性能和泛化能力 | 第55-56页 |
| ·合理 BP 网络模型的确定 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 第三章 遗传算法的原理和方法 | 第62-88页 |
| ·遗传算法的概念和基本原理 | 第62-78页 |
| ·染色体的编码 | 第63-67页 |
| ·适应度函数 | 第67-68页 |
| ·遗传操作 | 第68-70页 |
| ·遗传算法的一般流程 | 第70-73页 |
| ·遗传算法的形成与发展 | 第73-74页 |
| ·与传统搜索相比遗传算法的特点 | 第74-75页 |
| ·遗传算法的应用 | 第75-78页 |
| ·遗传算法的收敛性分析 | 第78-79页 |
| ·遗传算法面临的问题 | 第79-81页 |
| 参考文献 | 第81-88页 |
| 第四章 影响短期天气预报神经网络模型泛化性能因素的系统分析 | 第88-111页 |
| ·泛化能力与泛化问题的提出 | 第88-90页 |
| ·泛化问题的数学和逻辑根源 | 第90-93页 |
| ·泛化问题的数学根源 | 第90-92页 |
| ·泛化问题的逻辑根源 | 第92-93页 |
| ·影响神经网络泛化性能的系统分析 | 第93-99页 |
| ·网络结构影响 | 第94-95页 |
| ·训练样本及网络参数的影响 | 第95-98页 |
| ·神经网络的学习误差函数对泛化性能的影响 | 第98-99页 |
| ·影响神经网络泛化性能的实例分析 | 第99-108页 |
| ·预报因子的选取与处理 | 第99-100页 |
| ·网络结构对网络泛化性能的影响试验 | 第100-105页 |
| ·网络学习时间对网络泛化性能的影响试验 | 第105-108页 |
| 参考文献 | 第108-111页 |
| 第五章 客观确定短期降水预报人工神经网络模型的网络结构方法 | 第111-145页 |
| ·BP 网络结构的选取 | 第111-115页 |
| ·输入、输出层节点数的选定 | 第112-113页 |
| ·隐层的确定 | 第113-115页 |
| ·训练参数的选取 | 第115-116页 |
| ·隐层网络结构的优化 | 第116-118页 |
| ·剪除型结构学习算法 | 第116-118页 |
| ·增长型结构学习算法 | 第118页 |
| ·利用遗传算法客观确定人工神经网络结构的方法 | 第118-127页 |
| ·遗传算法与神经网络结合的主要方式 | 第119-120页 |
| ·优化神经网络连接权及网络结构的方法 | 第120-127页 |
| ·遗传算法优化神经网络预报模型的应用实例及结果分析 | 第127-142页 |
| ·遗传—神经网络方法在短期降水预报的应用 | 第127-136页 |
| ·遗传—神经网络方法在南海西行台风强度预报的应用 | 第136-142页 |
| 参考文献 | 第142-145页 |
| 第六章 提高短期降水人工神经网络预报模型泛化性能的方法 | 第145-175页 |
| ·改进神经网络模型泛化性能的方法和原理 | 第145-155页 |
| ·结构设计方法 | 第145-146页 |
| ·改善样本质量方法 | 第146-148页 |
| ·最优停止方法 | 第148-149页 |
| ·学习算法的改进 | 第149-150页 |
| ·改进激励(特征)函数 | 第150-151页 |
| ·误差函数的改进方法 | 第151-153页 |
| ·训练目标增加约束方法 | 第153页 |
| ·修正权值方法 | 第153-155页 |
| ·预报模型泛化性能的改进方法和原理 | 第155-159页 |
| ·主动性方法的原理 | 第155-157页 |
| ·试探性方法 | 第157-158页 |
| ·分割模式输入样本的方法 | 第158-159页 |
| ·提高网络泛化性能的系统降维实用方法 | 第159-170页 |
| ·系统降维方法原理 | 第160-162页 |
| ·提高短期降水预报模型泛化性能的实例计算分析 | 第162-170页 |
| 参考文献 | 第170-175页 |
| 第七章 总结 | 第175-180页 |
| ·特色 | 第175-176页 |
| ·主要结论 | 第176-178页 |
| ·创新点 | 第178页 |
| ·不足 | 第178-180页 |
| 致谢 | 第180页 |
