| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 创新点摘要 | 第6-9页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景和意义 | 第9页 |
| 1.2 沉积微相判别技术国内外相关研究现状 | 第9-10页 |
| 1.3 神经网络模式识别研究历史 | 第10-12页 |
| 1.3.1 神经网络 | 第10-11页 |
| 1.3.2 过程神经网络 | 第11-12页 |
| 1.4 论文的研究内容及结构安排 | 第12-13页 |
| 第二章 模式识别与人工神经网络理论 | 第13-22页 |
| 2.1 模式识别 | 第13页 |
| 2.2 人工神经网络 | 第13-16页 |
| 2.2.1 人工神经网络的原理 | 第13-14页 |
| 2.2.2 人工神经网络的结构 | 第14-15页 |
| 2.2.3 人工神经网络的学习方式 | 第15-16页 |
| 2.3 BP神经网络 | 第16-18页 |
| 2.3.1 BP概述 | 第16页 |
| 2.3.2 BP算法 | 第16-18页 |
| 2.3.3 BP神经网络的应用 | 第18页 |
| 2.4 过程神经网络理论 | 第18-19页 |
| 2.4.1 过程神经元 | 第18页 |
| 2.4.2 过程神经元网络 | 第18-19页 |
| 2.5 过程神经网络的学习算法 | 第19-21页 |
| 2.5.1 基于梯度下降的一般学习算法 | 第19-20页 |
| 2.5.2 基于正交基展开的学习算法 | 第20-21页 |
| 2.6 本章小结 | 第21-22页 |
| 第三章 基于模糊推理过程神经网络的识别模型 | 第22-33页 |
| 3.1 引言 | 第22页 |
| 3.2 模糊推理理论基础 | 第22-25页 |
| 3.2.1 基本概念 | 第22-23页 |
| 3.2.2 语言变量和模糊推理 | 第23-24页 |
| 3.2.3 基于规则的模糊推理过程 | 第24页 |
| 3.2.4 模糊推理与人工神经网络结合的必要性 | 第24-25页 |
| 3.3 模糊推理过程神经元 | 第25-26页 |
| 3.4 模糊推理过程神经网络建模 | 第26-29页 |
| 3.4.1 模糊逻辑规则的确定 | 第26页 |
| 3.4.2 模糊过程神经网络结构的确定 | 第26-28页 |
| 3.4.3 模糊推理过程神经网络结构的学习算法 | 第28-29页 |
| 3.5 仿真实验 | 第29-31页 |
| 3.6 在沉积微相判别中应用 | 第31-32页 |
| 3.7 本章小结 | 第32-33页 |
| 第四章 基于云变换的混合计算过程神经网络的识别模型 | 第33-44页 |
| 4.1 引言 | 第33页 |
| 4.2 云的基本概念 | 第33页 |
| 4.2.1 云的定义 | 第33页 |
| 4.2.2 云的数字特征 | 第33页 |
| 4.3 基于云变换的混合计算过程神经网络模型及算法 | 第33-36页 |
| 4.3.1 X条件云发生器 | 第33-34页 |
| 4.3.2 网络模型 | 第34-35页 |
| 4.3.3 学习算法 | 第35-36页 |
| 4.4 基于云变异粒子群算法的网络训练 | 第36-40页 |
| 4.4.1 基本粒子群算法 | 第36-38页 |
| 4.4.2 基于云模型的粒子群算法 | 第38-40页 |
| 4.5 训练模型对比 | 第40-41页 |
| 4.6 基于云变换的混合计算过程神经网络的沉积微相判别 | 第41-43页 |
| 4.7 本章小结 | 第43-44页 |
| 第五章 系统设计及实现 | 第44-50页 |
| 5.1 系统设计 | 第44-45页 |
| 5.2 C | 第45-46页 |
| 5.3 系统实现 | 第46-49页 |
| 5.4 本章小节 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 发表文章目录 | 第54-55页 |
| 致谢 | 第55-56页 |
