| 摘要 | 第1-13页 |
| Abstract | 第13-15页 |
| 第一章 引言 | 第15-24页 |
| ·研究的目的和意义 | 第15-16页 |
| ·BP神经网络的国内外研究动态 | 第16-21页 |
| ·国外研究动态 | 第16-19页 |
| ·国内研究动态 | 第19-21页 |
| ·研究的主要内容、方法和技术路线 | 第21-24页 |
| ·研究的主要内容 | 第21-22页 |
| ·研究的主要方法和技术路线 | 第22-24页 |
| 第二章 BP算法改进研究的现状及其分析 | 第24-48页 |
| ·BP神经网络的结构及算法 | 第24-27页 |
| ·BP神经网络的结构 | 第24页 |
| ·标准BP神经网络算法 | 第24-27页 |
| ·BP神经网络权值调整方法 | 第27-28页 |
| ·BP神经网络的缺点 | 第28-30页 |
| ·局部极小点 | 第28-30页 |
| ·收敛速度慢 | 第30页 |
| ·网络结构不易确定 | 第30页 |
| ·BP神经网络的参数选取 | 第30-37页 |
| ·网络结构的设计 | 第30-32页 |
| ·学习率的选取 | 第32页 |
| ·初始权值和阈值的选取 | 第32-33页 |
| ·训练样本的选取 | 第33页 |
| ·训练样本的预处理 | 第33-35页 |
| ·激活函数的选择 | 第35-37页 |
| ·BP算法的改进现状及其分析 | 第37-47页 |
| ·增加动量项法 | 第37页 |
| ·学习率渐小法 | 第37-38页 |
| ·搜索然后收敛法 | 第38页 |
| ·自适应学习率法 | 第38-39页 |
| ·弹性BP算法 | 第39-40页 |
| ·共轭梯度法 | 第40-43页 |
| ·牛顿法 | 第43-44页 |
| ·拟牛顿法 | 第44-45页 |
| ·Levenberg-Marquardt算法 | 第45-47页 |
| ·常用的改善BP网络性能的方法 | 第47-48页 |
| 第三章 BP算法的改进研究 | 第48-64页 |
| ·BP神经网络算法存在的问题分析 | 第48-49页 |
| ·BP算法的改进研究 | 第49-60页 |
| ·梯度法 | 第50页 |
| ·整体变学习率的改进BP算法 | 第50-52页 |
| ·整体变学习率的改进BP算法的程序实现 | 第52-53页 |
| ·每个权值对应一个学习率的改进BP算法 | 第53-60页 |
| ·示例计算 | 第60-64页 |
| 第四章 基于BP神经网络的时间序列预测问题研究 | 第64-77页 |
| ·时间序列和时间序列预测的概念 | 第64-65页 |
| ·BP神经网络进行时间序列预测的可行性分析 | 第65页 |
| ·BP神经网络用于预测时存在的问题分析 | 第65-68页 |
| ·BP神经网络用于预测时存在的问题分析 | 第65-66页 |
| ·示例验证 | 第66-68页 |
| ·离散时间函数的Z变换 | 第68-69页 |
| ·时间序列预测问题的网络结构与特点 | 第69-70页 |
| ·基于时间序列预测问题激活函数的选择 | 第70-74页 |
| ·激活函数为f(x)=a+bx时的BP算法 | 第70-72页 |
| ·激活函数为f(x)=x时的BP算法 | 第72页 |
| ·激活函数为f(x)=a+bx和f(x)=x等价的原因 | 第72-73页 |
| ·激活函数为y=x的二层网络结构的BP算法 | 第73-74页 |
| ·示例计算 | 第74-76页 |
| ·本章小结 | 第76-77页 |
| 第五章 基于BP神经网络的优化问题研究 | 第77-90页 |
| ·基于BP神经网络的无约束优化方法 | 第77-84页 |
| ·无约束优化问题的数学模型 | 第77-78页 |
| ·求解无约束优化问题的基本思路 | 第78页 |
| ·网络输出对输入的偏导数 | 第78-79页 |
| ·基于BP神经网络的无约束优化方法 | 第79-80页 |
| ·基于BP神经网络的无约束优化方法的程序实现 | 第80-81页 |
| ·示例计算 | 第81-84页 |
| ·基于BP神经网络的有约束优化方法 | 第84-90页 |
| ·有约束优化问题的数学模型 | 第84页 |
| ·基于BP神经网络的有约束优化方法 | 第84-86页 |
| ·基于BP神经网络的有约束优化方法的程序实现 | 第86-87页 |
| ·示例计算 | 第87-90页 |
| 第六章 BP神经网络的应用研究 | 第90-105页 |
| ·国内外农机总动力预测研究现状 | 第90-91页 |
| ·农机总动力及其影响因素分析 | 第91-92页 |
| ·预测精度的确定 | 第92-93页 |
| ·农机总动力数据变化趋势分析 | 第93-94页 |
| ·基于BP神经网络的农机总动力预测 | 第94-100页 |
| ·样本数据的归一化 | 第94-95页 |
| ·样本的输入输出模式 | 第95-96页 |
| ·单极性Sigmoid函数作为激活的外推情况 | 第96-97页 |
| ·y=x作为激活的外推情况 | 第97-99页 |
| ·用y=x作为激活进行农机总动力预测 | 第99-100页 |
| ·基于BP神经网络的联合收获机惯性分离室工艺参数优化 | 第100-105页 |
| ·联合收获机惯性分离室的试验结果 | 第100-102页 |
| ·基于BP神经网络的数据拟合 | 第102-104页 |
| ·基于BP神经网络的联收机惯性分离室参数优化 | 第104-105页 |
| 第七章 结论 | 第105-107页 |
| 参考文献 | 第107-113页 |
| 致谢 | 第113-114页 |
| 攻读博士学位期间发表的学术论文及科研情况 | 第114-115页 |