| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 国内外研究现状 | 第10-13页 |
| 1.2 课题背景及意义 | 第13-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-18页 |
| 第2章 相关技术 | 第18-30页 |
| 2.1 人工神经网络 | 第18-21页 |
| 2.1.1 前馈神经网络 | 第19页 |
| 2.1.2 竞争学习与侧抑制网络 | 第19页 |
| 2.1.3 自组织神经网络 | 第19-20页 |
| 2.1.4 Hopfield神经网络 | 第20页 |
| 2.1.5 人工神经网络的特点 | 第20-21页 |
| 2.2 BP神经网络 | 第21-25页 |
| 2.2.1 BP神经网络的结构 | 第21-22页 |
| 2.2.2 BP神经网络的学习过程 | 第22-24页 |
| 2.2.3 BP神经网络的功能 | 第24-25页 |
| 2.3 BP神经网络的训练方法 | 第25-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 基于PSO-BP的移动用户流失预测算法 | 第30-54页 |
| 3.1 粒子群算法 | 第30-31页 |
| 3.2 基于粒子分类的优化算法(PCO) | 第31-34页 |
| 3.2.1 PCO粒子的速度更新公式 | 第32-33页 |
| 3.2.2 PCO粒子的位置更新公式 | 第33页 |
| 3.2.3 PCO算法中种群粒子的优胜劣汰 | 第33-34页 |
| 3.3 基于粒子分类和BP神经网络的用户流失预测算法 | 第34-39页 |
| 3.3.1 PCO中粒子位置向量的编码 | 第35-36页 |
| 3.3.2 适应度计算(PFC) | 第36-39页 |
| 3.4 实验仿真 | 第39-53页 |
| 3.4.1 实验环境及数据集 | 第39-40页 |
| 3.4.2 数据预处理 | 第40-41页 |
| 3.4.3 BP神经网络结构的设计 | 第41-44页 |
| 3.4.4 算法参数的选取 | 第44页 |
| 3.4.5 用户流失比率分析 | 第44-48页 |
| 3.4.6 算法的输出误差分析 | 第48-49页 |
| 3.4.7 算法的预测准确率分析 | 第49-53页 |
| 3.5 本章小结 | 第53-54页 |
| 第4章 基于GA-BP的移动用户流失预测算法 | 第54-72页 |
| 4.1 遗传算法的原理 | 第54-55页 |
| 4.2 标准遗传算法的设计 | 第55-59页 |
| 4.3 遗传算法参数的选取 | 第59-60页 |
| 4.4 遗传算法的改进 | 第60-63页 |
| 4.4.1 染色体的编码方法的设计 | 第60页 |
| 4.4.2 适应度函数的确定 | 第60-61页 |
| 4.4.3 选择操作的设计 | 第61页 |
| 4.4.4 交叉操作的设计 | 第61-62页 |
| 4.4.5 变异操作的设计 | 第62-63页 |
| 4.4.6 种群规模和迭代次数的确定 | 第63页 |
| 4.5 遗传算法优化BP神经网络的基本过程 | 第63-65页 |
| 4.6 实验仿真 | 第65-70页 |
| 4.6.1 算法的输出误差分析 | 第65-66页 |
| 4.6.2 算法的预测准确率分析 | 第66-70页 |
| 4.7 本章小结 | 第70-72页 |
| 第5章 结论与展望 | 第72-74页 |
| 5.1 工作总结 | 第72-73页 |
| 5.2 展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78页 |