| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-11页 |
| 1.1 研究背景和研究意义 | 第7页 |
| 1.2 研究现状 | 第7-10页 |
| 1.2.1 经典算法 | 第7-8页 |
| 1.2.2 人工神经网络 | 第8-10页 |
| 1.3 论文主要研究内容 | 第10页 |
| 1.4 论文结构 | 第10-11页 |
| 第2章 经典算法 | 第11-27页 |
| 2.1 问题描述 | 第11页 |
| 2.2 Dijkstra算法 | 第11-15页 |
| 2.2.1 算法数学模型 | 第11-13页 |
| 2.2.2 算法的实现 | 第13-14页 |
| 2.2.3 实验结果和结论分析 | 第14-15页 |
| 2.3 A*算法 | 第15-21页 |
| 2.3.1 A*算法的数学模型 | 第16-17页 |
| 2.3.2 A*算法的实现 | 第17-18页 |
| 2.3.3 实验结果和结论分析 | 第18-21页 |
| 2.4 遗传算法 | 第21-26页 |
| 2.4.1 遗传算法的数学模型 | 第21-22页 |
| 2.4.2 遗传算法的实现 | 第22-23页 |
| 2.4.3 实验结果和结论分析 | 第23-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 脉冲耦合神经网路算法理论分析 | 第27-34页 |
| 3.1 脉冲耦合神经网路(PCNN)算法介绍 | 第27页 |
| 3.2 脉冲耦合神经元(PCNN)的数学模型 | 第27-30页 |
| 3.3 PCNN的网络构成 | 第30-31页 |
| 3.4 PCNN神经网络的MATLAB实现代码 | 第31-32页 |
| 3.5 脉冲耦合神经网络(PCNN)最短路径搜索中的应用 | 第32页 |
| 3.6 算法的数学建模 | 第32-33页 |
| 3.7 本章小结 | 第33-34页 |
| 第4章 脉冲耦合神经网络算法(PCNN)的实现和优化 | 第34-47页 |
| 4.1 算法实现 | 第34-35页 |
| 4.2 仿真结果 | 第35页 |
| 4.3 结论分析 | 第35-39页 |
| 4.4 算法的缺点和优化方向 | 第39页 |
| 4.5 算法的优化方案一——增加触发源点 | 第39-42页 |
| 4.5.1 优化目标及方案分析 | 第39-40页 |
| 4.5.2 数学模型分析 | 第40页 |
| 4.5.3 实验结果及结论分析 | 第40-42页 |
| 4.6 算法的优化方案二——引入方向 | 第42-46页 |
| 4.6.1 优化目标及方案分析 | 第42-43页 |
| 4.6.2 数学模型分析 | 第43-44页 |
| 4.6.3 实验结果和结论分析 | 第44-46页 |
| 4.7 本章小结 | 第46-47页 |
| 第5章 PCNN算法的实际应用 | 第47-54页 |
| 5.1 现实中的最短路径问题分析 | 第47页 |
| 5.2 实际问题的解决 | 第47-49页 |
| 5.2.1 图像处理 | 第47-48页 |
| 5.2.2 神经网络模型搭建 | 第48页 |
| 5.2.3 运行结论分析 | 第48-49页 |
| 5.3 问题的优化 | 第49-52页 |
| 5.3.1 卷积神经网络简介 | 第50-51页 |
| 5.3.2 优化方案的数学分析 | 第51-52页 |
| 5.3.3 结论分析 | 第52页 |
| 5.4 本章小结 | 第52-54页 |
| 第6章 总结及展望 | 第54-55页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57页 |