| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 本课题研究背景 | 第10-13页 |
| 1.1.1 人工神经网络的发展历史 | 第10-11页 |
| 1.1.2 人工神经网络的特点 | 第11-12页 |
| 1.1.3 BP神经网络 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 本课题研究意义 | 第14-15页 |
| 1.4 本文的组织安排 | 第15-17页 |
| 第二章 BP神经网络 | 第17-25页 |
| 2.1 BP神经网络概述 | 第17-19页 |
| 2.2 BP算法 | 第19-22页 |
| 2.2.1 标准BP算法概述 | 第19页 |
| 2.2.2 标准BP算法的具体实现 | 第19-22页 |
| 2.3 BP神经网络学习的改进 | 第22-24页 |
| 2.3.1 附加动量法 | 第22页 |
| 2.3.2 自适应学习速率法 | 第22-23页 |
| 2.3.3 弹性的BP算法 | 第23页 |
| 2.3.4 LM算法改进BP网络 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 粒子群算法 | 第25-35页 |
| 3.1 引言 | 第25页 |
| 3.2 粒子群概述 | 第25-26页 |
| 3.3 粒子群算法 | 第26-31页 |
| 3.3.1 算法原理 | 第26-27页 |
| 3.3.2 算法流程 | 第27-28页 |
| 3.3.3 全局模型和局部模型 | 第28-30页 |
| 3.3.4 PSO算法的社会行为分析 | 第30-31页 |
| 3.4 粒子群算法的改进 | 第31-32页 |
| 3.4.1 惯性权重法 | 第31-32页 |
| 3.4.2 收缩因子法(Contriction Factor) | 第32页 |
| 3.5 粒子群优化算法的应用 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第四章 基于PSO-BP算法的网络学习方法 | 第35-45页 |
| 4.1 引言 | 第35-36页 |
| 4.2 理论分析 | 第36-39页 |
| 4.2.1 BP网络结构的优化 | 第36页 |
| 4.2.2 标准BP网络权值优化 | 第36-39页 |
| 4.2.3 动量自适应学习速率调整的BP网络 | 第39页 |
| 4.3 PSO-BP网络学习方法 | 第39-44页 |
| 4.3.1 基于标准PSO优化BP网络学习 | 第40-41页 |
| 4.3.2 基于改进PSO优化BP网络学习 | 第41-42页 |
| 4.3.3 PSO-BP算法的具体步骤和流程 | 第42-44页 |
| 4.4 小结 | 第44-45页 |
| 第五章 网络学习方法的实验与分析 | 第45-59页 |
| 5.1 引言 | 第45页 |
| 5.2 函数测试 | 第45-46页 |
| 5.3 实验与分析 | 第46-47页 |
| 5.4 仿真实验 | 第47-58页 |
| 5.4.1 网络学习方法极值的比较 | 第48页 |
| 5.4.2 网络学习方法预测误差的比较 | 第48-53页 |
| 5.4.3 网络学习的方差的比较 | 第53-54页 |
| 5.4.4 网络学习中误差百分比的比较 | 第54-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士学位期间发表的学术论文 | 第67-68页 |
| 附录A：图索引 | 第68-69页 |
| 附录B：表索引 | 第69页 |