一、多层前向神经网络的一种改进BP算法（论文文献综述）
施璇[1]（2021）在《城市排水泵站水泵群的调度优化与智能控制系统的设计与实现》文中指出近年来暴雨等极端天气频发引发城市内涝,对城市排水系统造成很大压力。如何通过智能化控制方式调度城市排水泵站中的水泵是目前城市排水智能化调度研究的热点问题之一。针对目前城市排水系统中仍以人工控制水泵为主要工作方式的现象,为实现根据降雨量进行水泵的自动调度,本文设计并实现了一种面向城市排水泵站的三层控制模型,并面向该模型的工程实现设计了控制模型中的数据交换方法。为了提高排水系统控制智能化水平,本文设计并实现了基于分布式仿真平台（Distributed Simulation Platform,DSP）的粒子群算法（Particle Swarm Optimization,PSO）,从而实现了对泵群的调度。本文主要开展的工作如下:首先,本文面向积水量预测设计并实现了DSP-PSO算法。积水量数据采用雨洪管理模型（Storm Water Management Model,SWMM）软件根据天气预报的实测降雨量进行计算,并采用基于DSP-PSO算法和前向神经网络来构建预测方法。DSP-PSO算法能快速准确地实现对优化问题的求解,因此基于CPN网络使用分布式仿真平台实现了该算法。该算法设计了相邻CPN节点之间的通信机制和数据交换策略,并设计了本地CPN节点更新策略。使用仿真数据对比了BP神经网络、基于PSO算法改进前向神经网络以及DSP-PSO算法改进前向神经网络的预测性能。实验表明PSO算法比BP算法的神经网络预测准确率更高;而DSP-PSO算法相较于PSO算法在性能类似的同时,可以更稳定地获取目标函数的解。其次,本文还采用DSP-PSO算法对泵群进行了调度。以水泵间运行时间均衡为目标寻找泵群各水泵的最佳启泵水位,通过计算泵群运行时间的方差设计了泵群调度适应度函数,并将DSP-PSO算法与PSO算法进行寻优性能的对比。实验表明DSP-PSO算法相较于PSO算法能更好更快地对水泵群进行调度。最后,本文针对城市排水系统三层控制模型的工程实现设计了各层之间的数据交换方法,对三层控制模型中数据交换的网络延迟问题进行了讨论;并基于无线局域网实现了一个城市排水泵站三层控制模型的实物仿真,提出了改进网络稳定性的方法。最后本文设计并实现了一个排水泵站智能控制系统,系统运行表明设计的控制模型架构具有适用性。图[43]表[27]参[53]
张健[2]（2020）在《基于RBM的深度神经网络算法研究》文中提出受限制的玻尔兹曼机（Restricted Boltzmann Machine,RBM）是一种概率无向图模型,其原理可以追溯到统计力学的Boltzmann分布。目前,RBM的研究及其应用已广泛覆盖人工智能、机器学习、信号处理等热点领域,但模型也存在着表达能力有限、难以扩展等不足,针对这些不足,本文以RBM模型的改进、融合、拓展为思路,研究能够缓解过拟合问题的实值RBM模型、推广RBM的目标函数、构建基于RBM的深度判别模型和深度生成模型。具体研究内容如下:（1）研究RBM的特征表达问题在传统的RBM中,二值的隐藏层单元虽然能带来计算的便利,但也造成了特征表达过程中的信息损失。为了解决这个问题,本文将二值单元拓展为实值单元,提出基于附加单元的高斯RBM模型,用于判别任务和生成任务;针对生成任务,本文将RBM的损失函数从KL散度拓展到对抗损失,提出了基于隐式梯度的对抗RBM模型,使用Gibbs采样,该拓展模型可以在目标函数梯度为隐式形式的情况下直接使用BP算法训练,因此可以灵活选择目标函数的形式,从而改善RBM在图像生成中的过度光滑问题,并且采样过程无需维持额外的马尔科夫链。（2）研究缓解RBM过拟合问题的有效方法尽管基于Dropout方法的RBM和神经网络在判别任务中是有效的,但是在图像重构任务中,Dropout RBM在某些数据集表现不佳。为了提供一种更适合RBM的缓解过拟合问题的方法,使RBM在生成任务和判别任务中都有稳定、有效的表现,本文根据随机变量的思想,将RBM中可训练参数视为服从高斯分布的随机变量,训练过程中确定高斯分布的期望和协方差,而每一次前向计算中使用的权值都是对该随机变量的采样,由此,即保证了权值在每一次传播过程中略有不同,又保证了权值具有统一的分布特性。（3）研究基于深度特征嵌入的深度判别模型在基于RBM的深度判别模型中,训练过程分为逐层迭代的预训练阶段和全局参数微调的训练阶段。然而全局微调的效果取决于预训练结果,为了避免复杂的反复训练,本文首先使用核极限学习机作为DBN模型的分类器,完成分类任务、避免全局的参数微调过程;然而在无监督预训练阶段得到的特征可能与判别任务相关、也可能与任务无关。因此,为了充分利用预训练阶段提取的深度特征,本文将该深度特征用作极限学习机（Extreme Learning Machine,ELM）的隐式特征,替换ELM的随机特征映射部分,提出了基于深度特征嵌入的增量极限学习机;基于ELM快速分类的特点,通过逐步调整深度嵌入特征,并将其用作ELM的分类特征,完成分类任务。（4）研究RBM在深度生成模型中的应用与拓展深度玻尔兹曼机（Deep Boltzmann Machine,DBM）模型的训练过程相对复杂,为了有效的生成图像并简化DBM的训练过程,本文利用Gibbs采样,提出了基于对抗损失的隐式深度玻尔兹曼机;为了有效的处理二维彩色图像的生成问题,本文引入卷积结构,提出了基于对抗损失的卷积混合生成模型;为了拓展RBM模型的深度,本文引入Flow模型,使用Boltzmann先验替代简单的非参数化先验,并最小化对抗损失替代极大似然估计,提出了具有Boltzmann先验的对抗非体积保持流模型,并验证了模型在图像生成任务中的有效性。该论文有图33幅,表24个,参考文献172篇。
冯烜智[3]（2020）在《接触网导线温升模型研究及其应用》文中进行了进一步梳理电气化是铁路发展的重要方向,是实现铁路现代化的重要手段。随着高速铁路的迅猛发展,高速列车的运行速度也得到了显着的提升,与此同时高速列车的取流密度和行车密度也随之增大。接触网作为高速铁路重要组成部分,是列车获取电能的唯一途径,同时也是无备用的,其性能的好坏将直接决定牵引供电系统的供电可靠性和列车安全稳定运行。当高速铁路出现长时间的重负荷运行时,接触线和承力索上产生大量的焦耳热,致使较大的温升,从而导致接触网导线出现机械强度降低、载流能力变差等现象,严重情况下甚至发生断线等事故,降低了接触网的可靠性。因此,在当前高速铁路飞速发展以及牵引负荷持续增大的背景下,研究接触网导线的温升模型将具有重要的经济价值。本文以接触网导线为对象,针对导线温度变化这一现象对其展开了研究。首先,在温升理论、热传学和IEEE-738标准的基础上研究了导线温度变化的过程,明确了影响导线温度的几个关键外部因素。考虑到接触网的特殊性,本文设计了一套接触网导线测温系统并在西成高铁的承力索上完成了设备安装,实现了导线的温度以及相关影响因素的监测。使用IEEE-738模型计算导线的温度,但模型在接触网上的适用性较差,因此研究接触网导线的温升模型变得至关重要,而现场实测的数据为本文后续研究接触网导线温升模型打下了基础。其次,研究了BP神经网络的结构和学习算法,根据接触网导线温升问题的特性确定了神经网络的结构,以现场实测数据作为样本训练不同的BP神经网络,从而建立了接触网导线温升模型。然后在研究PSO算法的原理、模式的基础上,针对可提高BP神经网络性能的关键因素应用协同PSO算法改进BP神经网络的学习方式,从而改进了接触网导线温升模型,建立了一个精度较高且可快速反应接触网导线温度状况的模型。最后,在接触网导线温度监测系统和温升模型的基础上,提出了一套过热保护方案,该方案可无需在接触网导线上安装温度传感器便可实现接触网导线温度的实时评估,从而实现对接触网导线的过热保护。
邹强[4]（2019）在《CFG桩处治软土路基的沉降预测》文中研究表明随着我国城市经济的迅速发展,城市道路建设也取得了很大的成就,但软土路基沉降问题一直困扰着施工。由于地理位置及环境的限制,广东省肇庆市许多新建工程不得不修筑在软土地基之上。必须对软土地基进行处理才能保障路基的长期稳定。准确预测路基沉降,对控制施工质量具有非常重要的意义。本文依托“肇庆市端州区桥北路新建工程”项目,研究了水泥粉煤灰碎石桩（CFG桩）处治软土地基,和对处治后的地基进行了沉降预测。本文取得的成果如下:（1）通过参与实际工程建设,研究了 CFG桩在肇庆市政道路软基处理中的施工方法及施工要点,同时通过监测仪器对处治后的地基进行沉降监测,并对监测数据进行分析,预测沉降的发展趋势,研究CFG桩处理软基的效果。（2）对比了双曲线拟合法、指数曲线拟合法预测沉降的精度,得到了最终沉降预测值以及沉降拟合曲线。（3）以BP神经网络为基础,采用了增加动量项优化的BP算法和调节学习率优化的动量BP算法两种改进方法来实现网络+优化,以实测沉降值为样本建模,预测得到的沉降值与实测值十分接近,从而证明了用该方法来预测路基沉降是可行的。调节学习率优化的动量BP算法得到的沉降曲线与实测沉降值吻合很好。通过与曲线拟合法的对比分析发现,BP神经网络这种动态预测方法优于静态的预测方法。
邓葳[5]（2019）在《遗传算法优化神经网络在供水管网中的应用》文中指出水是宝贵资源,是有限且容易受到环境污染的。我国人均占有水量仅为世界人均水量的25%,改革开放以来,为了经济发展,轻视了环境保护,污染问题日益严重,很多水源都被破坏,不适合作为居民饮用水水源,所以城市供水形势严峻。随着供水形势和任务的不断变化,城市给水工程属于一个城市非常重要的基础设施,它的正常运行确保市民的日常工作、生活及工农业的产量。在深入推进各项重点工作的过程中面临的压力、困难与挑战将会更大、更多。目前的供水系统仍然存在一些需要解决的问题,例如爆管、供水不足,压力不够和能量的巨大浪费等。这些源于我们对整个管网的运行工况了解不够精确,因此建立一个准确的管网工况模型能够帮助我们实时了解管网的运行情况,方便推进实施饮用净水工程建设、计量系统改造工作,提高爆漏抢修的效率,完善用户终端水质保障体系,让越来越多的市民享用到安全优质的自来水。由于宏观模型具有建模时间短,不需要太多的管网参数等优势,所以本文选择建立给水管网的宏观模型,但以往的宏观模型建模过程中存在许多困难,当主要的影响因素发生较大变化时,模型会产生一些误差。而基于BP神经网络模型能够处理各影响因素间非线性,不明确的动态关系,所以选择BP神经网络建立管网的宏观模型。针对典型的BP神经网络的隐层神经元数不好确定,收敛速度缓慢等问题,本文采用遗传算法来优化隐层节点数并用动量因子和学习率自适应等方法对其进行改进。其于以上研究,建立了两个广州市管网工况宏观模型,用来测试不同状态下供水管网的运行。
任云[6]（2018）在《基于区域卷积神经网络的光学遥感图像部分遮挡目标检测识别技术研究》文中指出目标检测是遥感图像解译领域的重要任务和研究热点之一。随着传感器的发展,遥感图像分辨率越来越高,遥感图像目标解译需求越来越明显。如何在复杂的背景中迅速找到尺寸比较小的目标以及如何高效检测出处于部分遮挡情况下的目标是亟待解决的难题。目前主流的基于深度学习的目标检测方法对于处理大尺寸目标优势很明显,然而将这些算法直接应用到遥感图像中时其性能会显着下降。针对这些情况,本论文在基于区域特征的卷积神经网络两阶段目标检测模型基础上,从数据预处理、卷积特征提取网络结构和损失函数三个方面入手,创新性地提出了用于解决小目标和部分遮挡目标检测的形变Faster RCNN检测框架。本文的主要工作及其创新点如下:1、提出了基于全卷积网络结构和跳层连接的Fast RCNN目标检测模型。论文在对Fast RCNN中的特征提取器和按区域的多层感知机分类器进行彻底的分析基础之上,详细推导了存在卷积层和池化层并行结构的全卷积网络结构（主要是Inception网络及其变体）中的输入输出关系,指出Fast RCNN框架在利用这类全卷积网络结构作为主干网络时其输入图像尺寸必须满足一定的条件;然后基于HyperNet网络结构的思想提出采用跳层连接方式对卷积网络特征提取器进行多层特征融合,从而使得最后提取的特征既有高层语义信息也包含了底层视觉信息;最后对按区域的多层感知机分类器深入研究并从实验得出基于区域的两阶段目标检测算法只要仔细设计按区域的分类器可以一定程度上提高目标检测性能,使得对基于区域候选的两阶段目标检测框架的整体架构有着更深刻地理解。2、提出了基于自顶向下的共享特征网络结构的光学遥感小目标检测。首先,针对遥感目标尺寸小的特征,深入分析Faster RCNN的共享特征提取网络结构,提出一种自顶向下的网络结构单元对多个阶段的特征进行融合以生成尺寸更大的特征图,并通过无监督聚类方法设置锚点的预设尺度和长宽比使之更加符合数据集的目标分布,从而在保持较高的小目标召回率的情况下尽可能多的捕获疑似小目标的候选区域;其次,针对ROI Pooling层中存在两次量化操作造成的小目标候选特征图区域匹配误差大的问题,将其替换成ROI Align层,降低量化操作所产生的误差,从而提高小目标分类和回归的准确度;然后提出一种编码方式来利用候选区域的邻域上下文区域,增强对小目标的特征;最后在数据预处理阶段,针对数据集中图片少以及存在严重的类别不平衡问题设计一种简单的数据集平衡采样方法,从而实现数据集的有效扩增。3、提出了基于聚集多层卷积特征的形变Faster RCNN的光学遥感部分遮挡目标检测。首先将前面所提出的自顶向下的特征融合网络结构与形变卷积嵌入到共享特征提取阶段来建模光学遥感目标的几何形变,使得所提取的特征包含丰富的的几何形变信息。然后针对类间遮挡的情况提出一种随机覆盖算法来扩增不同遮挡情况的目标,其随机性能够保证对于各种遮挡条件的泛化能力;针对类内遮挡提出将RPN阶段的边框回归损失函数替换成用于解决人群遮挡的排斥损失函数,在实验中从另外的角度分析其对于类内遮挡的有效性。为了进一步提高小目标的性能,进一步分析了RPN阶段所采用的自顶向下的网络结构单元的数量与锚点之间的内在联系,并且采用在线难例挖掘算法来引导网络的训练,使得最终的实验效果显着提升。
郭伟[7]（2018）在《无后向传播的复数值前向神经网络的研究》文中研究说明近年来,复数值神经网络作为神经网络研究领域的一个重要分支,越来越受到广大科研工作者的青睐,人们把神经网络的网络结构、算法理论从实数域推广到复数域,复数值信号逐渐被人们用于解决实际问题。前向神经网络具有简单的网络结构、优良的逼近性能和较快的收敛速度等特点,因而前向神经网络得到广泛应用。本论文对复数值前向神经网络及其算法进行研究,提出了无后向传播的复数值前向神经网络学习算法,提高了网络训练的学习效率。首先,本论文提出了无后向传播的实部虚部型梯度下降算法。该算法是从传统的实部虚部型复数值前向神经网络推广得到,实验分析可以看出复数值前向神经网络算法具有强大的计算能力。同时,通过实验比较分析,可以看出无后向传播的复数值神经网络的计算优势。然后,本论文提出了一种无后向传播的实部虚部型复数值前向神经网络LM算法和全复数值前向神经网络LM算法,并将其应用到分类中。利用前向计算代替传统神经网络的正向和反向计算,简化了复数值神经网络训练。通过引入前向计算,复数值Levenberg-Marquardt算法变得更有效。网络计算时间损耗比较结果表明,论文中所提出的算法比传统的Levenberg-Marquardt的实现速度要快。我们将上述算法应用到UCI公共数据库里的实数数据集分类,实验结果证明了本论文所提出方法的有效性。
范晓[8]（2012）在《基于改进的神经网络在土地利用信息提取中的研究 ——以北京市密云县露天采矿区为例》文中提出随着社会发展和人口的过度膨胀，人类对土地利用的改造程度不断加深，土地类型变化加速。如何快速识别土地利用类型，有效地进行土地分类，成为土地资源研究的重点问题，而遥感技术的快速发展为土地利用监测提供了便利。多层感知器前馈神经网络（BP网络）是应用最广泛的神经网络模型之一。然而标准BP网络具有收敛速度缓慢、训练过程易陷入局部极小值等问题。本论文依托MATLAB软件平台，对标准BP网络在网络结构和学习算法等方面进行改进，并在土地利用信息提取中实现。论文取得的研究成果如下。1)论文针对标准BP网络的局限性，从以下几个方面进行了改进：①对BP神经网络结构进行深入研究，提出采用黄金分割法与遗传算法结合寻求最优隐含层节点个数，并且获得网络初始化权重参数；②针对标准BP算法运算过程中收敛缓慢和局部极小值的问题，论文将现有各种改进算法进行归纳总结，对比各种改进算法的运算效率和内存需求，并通过实验确定弹性算法为最优学习算法；③为保证BP网络能够有效的学习，对输入数据统一进行规则化处理，同时对BP网络分类输出数据进行去模糊化处理；④探讨了影响BP网络泛化能力的因素和提高泛化能力的方法。2)通过对标准BP网络在网络结构、学习算法、泛化能力、数据处理等方面的分析和改进，提出了改进型BP神经网络在土地利用分类中的流程，并以RapidEye为遥感数据源，以北京市密云县露天采矿区为研究区域进行土地利用分类，取得了较好的效果。3)为了全面评价分类结果，论文将改进型BP网络与标准BP网络、极大似然法分类结果进行对比，从分类精度、分类效率和分类图美观度三个方面分别进行定量评价。结果证明改进后的BP算法无论在分类精度、分类效率和分类图的美观可读性方面都具有优势，可以作为一个具有潜力的分类方法继续应用和研究。
刘彩红[9]（2008）在《BP神经网络学习算法的研究》文中指出神经网络的学习算法一直是人工神经网络研究和应用领域中的一个重要问题,尤其是对前向神经网络学习算法（设计）的研究。BP神经网络是多层前向神经网络的一种,也是人工神经网络模型中最典型、应用最广泛的一种网络模型。而BP神经网络网络结构的确定目前还没有一个固定的模式或是可以套用的公式,大都是凭经验;其学习算法目前也有很多的改进,但还是难以摆脱易陷入局部极小点、收敛速度慢等缺点。这些问题严重影响了BP神经网络的性能和其应用的推广。本论文在参考了大量国内外有关文献的基础上,对BP神经网络的学习算法作了较为深入的探讨,提出了一种基于局部权值和阈值调节的学习算法,对BP算法收敛速度慢的问题有一些改善。本论文由两部分组成:第一部分侧重于BP神经网络训练样本的选取,尤其是针对高维大样本数据。BP神经网络训练样本的选取对网络的泛化能力有较大的影响,特别,怎样从高维大样本数据中选取较优的训练样本是一个难点。本论文的第一部分运用因子分析对高维大样本数据先进行预处理,再利用分析所得的公因子进行聚类,这样除了降噪降维外,还可以从大样本数据中选出几乎可以包含全部样本特性的训练样本,从而达到对高维大样本数据的样本数和指标的降维。第二部分针对BP算法收敛速度慢的问题,提出一种基于局部权值阈值调整的BP算法。该算法结合生物神经元学习与记忆形成的特点,针对特定的训练样本,只激发网络中的部分神经元以产生相应的输出,而未被激发的神经元产生的输出则与目标输出相差较大,那么我们就需要对未被激发的神经元权值阈值进行调整。所以本论文提出的算法是对局部神经元权值阈值的调整,而不是传统的BP算法需要对所有神经元权值阈值进行调整,这样有助于加快网络的学习速度。
林开平[10]（2007）在《人工神经网络的泛化性能与降水预报的应用研究》文中进行了进一步梳理人工神经网络是一种模拟人脑信息处理方法的非线性系统，具有较强的处理非线性问题的能力，比较适合于一些信息复杂、知识背景不清楚和推理规则不明确问题（如短期降水预报问题）的建模。随着神经网络方法在大气科学领域研究的不断深入，研究人员发现神经网络方法在实际天气预报业务应用中存在一个重要的问题一人工神经网络预报模型泛化性能问题。该问题的研究不仅关系到在大气学科中能否进一步深入开展有关人工神经网络方法的预报业务应用，并且也是目前人工神经网络应用理论研究中尚未得到很好解决的关键技术问题。人工神经网络的理论和应用研究表明，网络的泛化性能与网络的结构、网络的参数和样本的质量密切相关。然而，对于某个具体的短期天气预报神经网络模型，在建模过程中如何确定适合的网络结构，如何优化网络参数，使建立的神经网络模型具有较好的泛化性能却是一个难题，目前，通常采用的方法是通过反复试验来确定网络的结构和各种参数，而这样，往往会导致网络出现过拟合问题，从而严重影响网络的泛化能力。在采用神经网络方法进行实际的气象预报应用时，由于目前在国内外的神经网络预报建模理论方法研究中，尚未有确定神经网络预报模型的网络结构的客观定量方法，并且网络模型的训练次数（网络模型对训练样本的拟合精度）变化对预报模型的泛化性能有重要影响，因此，如何客观确定最适宜的网络结构，提高神经网络预报模型的泛化性能问题，不仅是目前人工神经网络预报建模理论需要深入研究的科学问题，也是目前利用人工神经网络方法进行业务天气预报应用最迫切需要解决的核心技术。针对在短期天气预报神经网络建模过程中难于确定网络的结构和优化网络参数的问题，本文提出了利用遗传算法优化神经网络的连接权和网络结构，并在遗传进化过程中采取保留最佳个体，从而客观确定短期天气预报神经网络模型的网络结构方法。并以广西区域降水短期预报神经网络模型和南海西行台风强度短期预报神经网络模型为例进行研究，有以下主要的结论：（1）用遗传算法优化神经网络的连接权、网络结构，并在进化过程中采取保留最佳个体的方法，解决了由于神经网络初始权值的随机性和网络结构确定过程中所带来的网络振荡，以及容易陷入局部解的问题。短期降水预报的神经网络预报模型和南海西行台风强度短期预报神经网络模型实例的计算结果表明，这种新方法避免了一般神经网络依靠经验确定网络结构的困难。（2）用遗传算法来确定神经网络结构，优化神经网络的连接权，使神经网络具有最优的网络结构。结果表明，所建立的遗传-神经网络模型其泛化能力远优于一般的神经网络预报模型。针对在短期天气预报神经网络建模过程中训练样本的复杂性影响神经网络的泛化性能问题，本文进一步通过研究网络模型学习矩阵的复共线性关系对预报模型泛化能力的影响，提出了采用主成分分析（PAC）建立神经网络学习矩阵的新方法，以消除学习矩阵的复共线性关系，有效地避免神经网络过拟合现象的出现，从而提高神经网络的泛化性能。并以广西区域短期降水预报为例进行神经网络建模，结果发现，在预报模型输入节点相同的情况下，较小的网络结构或网络结构增大时，无复共线性关系的神经网络预报模型与存在复共线性关系的神经网络预报模型的拟合误差变化不大，且平均拟合误差数值十分相近，但是无复共线性关系的预报模型的泛化能力明显优于存在复共线性关系的预报模型。进一步计算分析了训练次数从5000次到20000次的两种模型的泛化能力，同样表明，神经网络的学习矩阵存在复共线性关系会显着降低预报模型的预报精度。
二、多层前向神经网络的一种改进BP算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多层前向神经网络的一种改进BP算法（论文提纲范文）
（1）城市排水泵站水泵群的调度优化与智能控制系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 本文研究内容及章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第二章 基础知识和相关技术 |
| 2.1 SWMM雨洪管理模型软件 |
| 2.1.1 SWMM简介和暴雨模型 |
| 2.1.2 基于SWMM软件的流量演算方式 |
| 2.2 基于组态技术的SCADA系统 |
| 2.2.1 组态技术 |
| 2.2.2 SCADA系统 |
| 2.3 多层前向神经网络 |
| 2.3.1 多层前向神经网络拓扑结构 |
| 2.3.2 BP算法 |
| 2.4 粒子群优化算法 |
| 2.4.1 粒子群优化算法原理 |
| 2.4.2 粒子群优化算法流程 |
| 2.5 分布式仿真平台 |
| 2.5.1 分布式仿真平台简介 |
| 2.5.2 分布式仿真平台程序设计 |
| 第三章 基于积水量预测的城市排水系统泵群调度优化方法 |
| 3.1 基于SWMM的积水量计算研究 |
| 3.1.1 天气预报数据的在线获取 |
| 3.1.2 基于SWMM的积水量计算参数的设置 |
| 3.1.3 基于SWMM的积水量计算 |
| 3.2 基于神经网络的积水量预测方法研究 |
| 3.2.1 基于BP神经网络的积水量预测方法 |
| 3.2.2 基于PSO算法和前向神经网络的积水量预测方法 |
| 3.2.3 基于DSP-PSO算法和前向神经网络的积水量预测方法 |
| 3.3 城市排水泵站水泵群调度方法研究 |
| 3.3.1 基于PSO算法的水泵群调度方法 |
| 3.3.2 基于DSP-PSO算法的水泵群调度方法 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 结果与分析 |
| 3.5 本章小结 |
| 第四章 城市排水系统的三层控制模型设计 |
| 4.1 城市排水系统三层控制模型架构 |
| 4.2 三层控制模型中数据交换方法的设计与实现 |
| 4.2.1 基于组态技术的本地SCADA层与控制层PLC通信 |
| 4.2.2 基于数据库技术的应用层与本地SCADA层通信 |
| 4.2.3 城市排水系统中网络延迟现象对数据交换的影响与对策 |
| 4.3 实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 结果与分析 |
| 4.4 本章小结 |
| 第五章 城市排水泵站智能控制系统的设计与实现 |
| 5.1 系统概述 |
| 5.1.1 系统需求 |
| 5.1.2 系统架构 |
| 5.2 系统设计 |
| 5.2.1 数据库设计 |
| 5.2.2 控制网络设计 |
| 5.2.3 本地SCADA系统设计 |
| 5.2.4 数据展示与智能决策程序设计 |
| 5.3 系统实现 |
| 5.3.1 PLC自动化程序实现 |
| 5.3.2 本地SCADA系统实现 |
| 5.3.3 数据展示与智能决策应用实现 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（2）基于RBM的深度神经网络算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 背景与意义 |
| 1.3 国内外研究现状 |
| 1.4 本文的主要研究内容和组织结构 |
| 2 基础理论 |
| 2.1 RBM基础理论 |
| 2.2 RBM与神经网络 |
| 2.3 其他相关理论 |
| 2.4 小结 |
| 3 关于RBM特征表达的研究 |
| 3.1 引言 |
| 3.2 基于附加单元的高斯RBM模型 |
| 3.3 基于隐式梯度的对抗RBM模型 |
| 3.4 小结 |
| 4 基于不确定性权值的RBM模型 |
| 4.1 引言 |
| 4.2 基于权值不确定性方法的RBM及其深度拓展模型 |
| 4.3 实验 |
| 4.4 小结 |
| 5 基于深度特征嵌入的深度判别模型 |
| 5.1 引言 |
| 5.2 小波核极限学习机 |
| 5.3 基于深度特征嵌入的增量型极限学习机 |
| 5.4 小结 |
| 6 RBM在生成模型中的应用与拓展 |
| 6.1 引言 |
| 6.2 基于对抗损失的DBM模型 |
| 6.3 基于对抗损失的卷积混合生成模型 |
| 6.4 具有Boltzmann先验的对抗的非体积保持流模型 |
| 6.5 小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（3）接触网导线温升模型研究及其应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题的研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 接触网导线温升影响因素及其测量 |
| 2.1 温度对接触网导线的影响 |
| 2.2 接触网导线的温升过程 |
| 2.2.1 焦耳热 |
| 2.2.2 日照辐射热 |
| 2.2.3 对流散热 |
| 2.2.4 辐射散热 |
| 2.3 接触网导线温升的影响因素 |
| 2.4 接触网导线测温方案 |
| 2.4.1 无线测温仪 |
| 2.4.2 气象监测仪 |
| 2.4.3 数据的采集和处理 |
| 2.4.4 接触网导线温度监测系统实测结果 |
| 2.5 基于IEEE-738标准的接触网温升模型 |
| 2.6 本章小结 |
| 第3章 基于BP神经网络的接触网导线温升模型研究 |
| 3.1 神经元与网络结构 |
| 3.1.1 生物神经网络 |
| 3.1.2 人工神经元 |
| 3.1.3 人工神经网络结构 |
| 3.1.4 人工神经网络的特点 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络结构的确定 |
| 3.2.2 BP神经网络学习算法 |
| 3.2.3 BP算法的影响因素 |
| 3.2.4 BP算法的改进 |
| 3.3 基于BP神经网络的接触网导线温升模型 |
| 3.4 本章小结 |
| 第4章 接触网导线温升模型的改进 |
| 4.1 PSO算法 |
| 4.2 PSO算法的模式及其改进 |
| 4.2.1 PSO算法的模式 |
| 4.2.2 PSO算法的改进 |
| 4.3 基于PSO算法优化的BP神经网络 |
| 4.3.1 PSO算法优化BP神经网络连接权值的一般方法 |
| 4.3.2 PSO算法优化神经网络的改进方法 |
| 4.4 接触网导线温升模型的改进 |
| 4.5 接触网导线温升模型 |
| 4.6 本章小结 |
| 第5章 接触网导线过热保护研究 |
| 5.1 牵引供电系统继电保护 |
| 5.2 接触网导线过热保护动作原理 |
| 5.3 接触网导线过热保护方案 |
| 5.4 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
（4）CFG桩处治软土路基的沉降预测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景、目的及意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 CFG桩复合地基的国内外研究现状 |
| 1.2.2 沉降预测研究现状 |
| 1.2.3 BP神经网络的研究现状 |
| 1.3 本论文的主要工作 |
| 2 CFG桩处治地基的工作机理 |
| 2.1 CFG桩复合地基概述 |
| 2.1.1 CFG桩定义 |
| 2.1.2 复合地基的概念与类别 |
| 2.2 三种复合地基的特性对比 |
| 2.2.1 碎石桩复合地基特性 |
| 2.2.2 石灰桩复合地基特性 |
| 2.2.3 CFG桩复合地基特性 |
| 2.3 CFG桩处治地基的工作原理及沉降变形原理 |
| 2.3.1 CFG桩处治地基的工作原理 |
| 2.3.2 CFG桩处治地基的沉降变形原理 |
| 2.4 本章小结 |
| 3 神经网络理论简述 |
| 3.1 生物神经元 |
| 3.2 人工神经网络 |
| 3.2.1 人工神经网络的工作原理 |
| 3.2.2 人工神经元模型 |
| 3.2.3 人工神经网络的学习 |
| 3.2.4 人工神经网络结构 |
| 3.3 BP神经网络学习算法及设计 |
| 3.3.1 BP网络学习算法 |
| 3.3.2 BP网络的设计 |
| 3.4 BP网络的局限性及学习的改进 |
| 3.4.1 BP网络的局限性 |
| 3.4.2 BP网络的学习改进 |
| 3.5 本章小结 |
| 4 CFG桩复合地基施工工艺及沉降监测研究 |
| 4.1 依托工程路基工程概况 |
| 4.2 振动沉管灌注成桩施工 |
| 4.2.1 施工前的准备工作 |
| 4.2.2 CFG桩的施工过程 |
| 4.2.3 施工中的注意事项 |
| 4.2.4 CFG桩施工质量控制 |
| 4.3 CFG桩复合地基的沉降监测 |
| 4.3.1 沉降监测方案 |
| 4.3.2 监测仪器的布置 |
| 4.4 本章小结 |
| 5 BP神经网络实现路基沉降的预测 |
| 5.1 路基沉降的预测 |
| 5.1.1 双曲线拟合法 |
| 5.1.2 K1+400断面沉降基于双曲线拟合法的预测 |
| 5.1.3 指数曲线拟合法 |
| 5.1.4 K1+400断面沉降基于指数曲线拟合法的预测 |
| 5.2 改进BP的神经网络预测路基沉降 |
| 5.2.1 改进BP的神经网络的建模 |
| 5.2.2 改进的BP神经网络的训练 |
| 5.3 曲线拟合法和改进的BP神经网络预测结果的对比 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 主要结论 |
| 6.2 展望 |
| 6.3 创新点 |
| 参考文献 |
| 致谢 |
（5）遗传算法优化神经网络在供水管网中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 管网状态模拟的作用 |
| 1.2 管网状态模拟存在的困难 |
| 1.3 管网状态模拟的研究方法 |
| 1.3.1 微观模型 |
| 1.3.2 宏观模型 |
| 1.4 本文的主要内容 |
| 第二章 遗传算法介绍 |
| 2.1 遗传算法简介 |
| 2.1.1 标准遗传算法的实现过程 |
| 2.1.2 遗传算法的优缺点 |
| 2.2 遗传算法的操作流程和步骤 |
| 2.2.1 操作流程 |
| 2.2.2 操作步骤 |
| 2.2.3 操作流程图 |
| 2.2.4 群体设定 |
| 2.2.5 遗传算法的基本操作 |
| 2.3 遗传算法在神经网络中的探讨 |
| 2.3.1 遗传算法在网络学习中的应用 |
| 2.3.2 .遗传算法在网络分析中的应用 |
| 2.3.3 收敛性 |
| 2.3.4 网络分析中遗传算法的适应度函数 |
| 2.3.5 适应度函数与问题约束优化处理 |
| 2.4 小结 |
| 第三章 BP神经网络模型概况及其改进 |
| 3.1 人工神经网络方法简介 |
| 3.1.1 神经元基本原理 |
| 3.1.2 神经元基本模型 |
| 3.2 反相传播学习算法 |
| 3.2.1 BP算法的原理 |
| 3.2.2 前馈(多层)神经网络的简介 |
| 3.2.3 BP算法理论过程 |
| 3.2.4 梯度下降求解参数过程 |
| 3.3 BP算法不足与改进 |
| 3.3.1 BP算法缺点 |
| 3.3.2 BP算法的改进 |
| 3.4 BP网络建模 |
| 3.4.1 BP网络层数的确定 |
| 3.4.2 各层神经元数目的选取 |
| 3.4.3 数据预处理 |
| 3.4.4 激励函数的选取 |
| 3.4.5 合理的期望误差 |
| 3.4.6 网络误差曲线 |
| 3.5 小结 |
| 第四章 基于遗传算法的神经网络优化的探讨 |
| 4.1 神经网络与遗传算法之间的联系 |
| 4.1.1 神经网络为什么需要遗传算法 |
| 4.1.2 遗传搜索技术为什么需要神经网络 |
| 4.1.3 系统学习与进化之间的交互作用 |
| 4.2 遗传优化神经网络网络权值 |
| 4.2.1 GA用于多层神经网络训练 |
| 4.2.2 自适应遗传算法的网络训练 |
| 4.3 神经网络自动设计 |
| 4.3.1 神经网络设计的几种方法 |
| 4.3.2 遗传优化神经网络进化方法 |
| 4.3.3 应用遗传算法设计神经网络结构步骤 |
| 4.4 小结 |
| 第五章 遗传神经网络模型模拟管网的探讨与应用 |
| 5.1 管网状态模拟基于遗传自适应BP神经网络的程序实现 |
| 5.1.1 影响管网压力的因素及处理 |
| 5.1.2 Box-Jenkins预测方法 |
| 5.1.3 优化神经网络结构实现 |
| 5.1.4 遗传自适应BP神经网络的训练学习过程 |
| 5.2 广州市供水概况介绍 |
| 5.2.1 城区简介 |
| 5.2.2 广州市供水概况 |
| 5.3 遗传自适应BP神经网络管网状态模型的建立 |
| 5.3.1 两种供水系统实用仿真模型的建立 |
| 5.3.2 网络建模参数的确定 |
| 5.3.3 第一个模型具体分析 |
| 5.3.4 第二个模型具体分析 |
| 5.3.5 两个模型的对比分析及结论 |
| 5.4 小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 进一步研究的探讨和总结 |
| 参考文献 |
| 致谢 |
（6）基于区域卷积神经网络的光学遥感图像部分遮挡目标检测识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 基于卷积神经网络的目标检测研究现状 |
| 1.2.2 光学遥感图像目标检测研究现状 |
| 1.3 论文的主要工作及内容安排 |
| 1.3.1 论文的主要工作 |
| 1.3.2 论文的内容安排 |
| 第二章 深度神经网络及其参数求解 |
| 2.1 引言 |
| 2.2 深度神经网络 |
| 2.2.1 DNN模型与前向传播过程 |
| 2.2.2 DNN网络参数求解之反向传播算法 |
| 2.2.3 DNN损失函数和激活函数的选择 |
| 2.3 卷积神经网络 |
| 2.3.1 CNN的模型结构 |
| 2.3.2 CNN前向传播算法 |
| 2.3.3 CNN反向传播算法 |
| 2.4 本章小结 |
| 第三章 基于全卷积网络结构和跳层连接的Fast RCNN |
| 3.1 引言 |
| 3.2 主干网络结构分析 |
| 3.2.1 全卷积网络结构对比 |
| 3.2.2 分类网络的输入与输出关系推导 |
| 3.3 卷积特征提取与分类网络 |
| 3.3.1 特征提取层中的跳层连接 |
| 3.3.2 卷积特征图上的分类网络 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置和评价标准 |
| 3.4.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于TDM共享特征网络结构的光学遥感小目标检测 |
| 4.1 引言 |
| 4.2 Faster RCNN框架详解 |
| 4.2.1 RPN网络结构与anchors分析 |
| 4.2.2 理解边框回归 |
| 4.3 Top-Down特征融合网络结构 |
| 4.4 基于上下文区域的ROI Align |
| 4.4.1 ROI Pooling局限性分析 |
| 4.4.2 ROI Align主要思想和具体方法 |
| 4.4.3 ROI Align反向传播 |
| 4.4.4 基于上下文区域的ROI Align |
| 4.5 实验结果与分析 |
| 4.5.1 数据预处理 |
| 4.5.2 实验设置与结果分析 |
| 4.7 本章小结 |
| 第五章 基于聚集多层卷积特征的形变Faster RCNN的光学遥感部分遮挡目标检测 |
| 5.1 引言 |
| 5.2 形变卷积 |
| 5.3 排斥损失 |
| 5.4 随机覆盖算法 |
| 5.5 形变Faster RCNN框架 |
| 5.6 实验结果与分析 |
| 5.6.1 数据集 |
| 5.6.2 实验结果与分析 |
| 5.7 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 作者在学期间参与的科研项目 |
| 附录A CNN中感受野的计算 |
（7）无后向传播的复数值前向神经网络的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 人工神经网络的研究 |
| 1.3 复数值前向神经网络的研究现状 |
| 1.3.1 复数值前向神经网络的学习算法 |
| 1.3.2 复数值前向神经网络的应用 |
| 1.4 主要研究内容与论文结构 |
| 第二章 复数值前向神经网络 |
| 2.1 前向神经网络模型 |
| 2.1.1 复数值前向神经网络结构 |
| 2.1.2 实部虚部型复数值前向神经网络 |
| 2.2 传统的复数值BP算法 |
| 2.2.1 随机梯度下降算法 |
| 2.2.2 随机梯度下降算法的权值调整 |
| 2.2.3 网络结构的确定 |
| 2.2.4 复数值前向神经网络训练算法 |
| 2.3 本章小结 |
| 第三章 无后向传播的实部虚部型梯度下降算法 |
| 3.1 背景介绍 |
| 3.2 无后向传播的实部虚部型梯度下降算法原理 |
| 3.2.1 复数值前向神经网络神经元之间的增益信息 |
| 3.2.2 无后向传播梯度下降算法更新权值与偏置 |
| 3.2.3 网络训练的步骤 |
| 3.3 理论分析与实验仿真 |
| 3.3.1 理论分析 |
| 3.3.2 数据预处理 |
| 3.3.3 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 无后向传播的实部虚部型LM算法 |
| 4.1 引言 |
| 4.2 网络训练算法 |
| 4.2.1 LM算法介绍 |
| 4.2.2 算法流程比较 |
| 4.3 实验仿真 |
| 4.4 本章小结 |
| 第五章 无后向传播的全复数值LM算法 |
| 5.1 引言 |
| 5.2 网络训练算法 |
| 5.2.1 全复数网络结构中神经元之间的增益信息 |
| 5.2.2 WIRTINGER算子 |
| 5.2.3 无后向传播的前向复数值神经网络原理 |
| 5.3 实验仿真 |
| 5.4 本章小节 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 展望 |
| 攻读硕士期间已发表的论文 |
| 参考文献 |
| 致谢 |
（8）基于改进的神经网络在土地利用信息提取中的研究 ——以北京市密云县露天采矿区为例（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感在土地利用信息提取中的研究现状 |
| 1.2.2 人工神经网络的发展及研究现状 |
| 1.3 研究方案 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法和技术路线 |
| 1.3.3 论文章节安排 |
| 第2章 遥感影像分类理论 |
| 2.1 遥感影像分类原理 |
| 2.1.1. 影像预处理 |
| 2.1.2. 特征选择与影像分类 |
| 2.2 人工神经网络理论 |
| 2.2.1. 人工神经网络结构 |
| 2.2.2 常见的神经网络模型 |
| 2.3 BP 神经网络分类原理 |
| 2.3.1 BP 网络分类流程 |
| 2.3.2 反向传播算法推导 |
| 2.3.3 BP 神经网络的局限性 |
| 第3章 研究区域介绍及影像预处理 |
| 3.1 研究区域概况及数据来源 |
| 3.1.1 研究区范围 |
| 3.1.2 研究区自然条件 |
| 3.1.3 遥感数据源 |
| 3.2 影像预处理和特征选取 |
| 3.2.1 影像几何校正 |
| 3.2.2 统计特征分析 |
| 3.2.3 影像变换 |
| 3.2.4 纹理分析 |
| 3.3 分类体系及解译标志建立 |
| 3.3.1 分类依据和原则 |
| 3.3.2 分类体系的建立 |
| 第4章 BP 神经网络改进方法研究 |
| 4.1 改进神经网络结构 |
| 4.1.1 遗传算法原理 |
| 4.1.2 黄金分割法结合遗传算法改进神经网络结构 |
| 4.1.3 确定网络结构 |
| 4.2 学习算法的改进 |
| 4.2.1 改进的 BP 算法 |
| 4.2.2 各种改进算法的比较 |
| 4.2.3 确定网络参数 |
| 4.3 数据处理 |
| 4.3.1 选取训练样本集 |
| 4.3.2 数据规则化 |
| 4.3.3 输出数据去模糊化 |
| 4.4 网络泛化能力分析 |
| 4.5 本章小结 |
| 第5章 改进型神经网络在土地利用信息提取中的实现 |
| 5.1 MATLAB 软件 |
| 5.1.1 MATLAB 简介 |
| 5.1.2 神经网络工具箱介绍 |
| 5.1.3 遗传算法工具箱介绍 |
| 5.1.4 MATLAB 改进 BP 网络主要代码 |
| 5.2 改进型 BP 网络的实现 |
| 5.2.1 改进型 BP 网络的分类流程 |
| 5.2.2 改进型 BP 网络分类结果 |
| 第6章 分类结果多角度对比分析 |
| 6.1 遥感影像分类精度评价 |
| 6.1.1 分类精度评价 |
| 6.1.2 分类结果与解译成果对比评价 |
| 6.2 遥感影像分类效率评价 |
| 6.3 分类后影像图斑空间分布评价 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 论文不足与展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（9）BP神经网络学习算法的研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 神经网络技术的研究热潮 |
| 1.1.2 BP 神经网络在学习和应用中遇到的困难 |
| 1.2 研究现状和存在的问题 |
| 1.3 研究意义及本论文的研究内容 |
| 2 BP 神经网络 |
| 2.1 人工神经网络 |
| 2.1.1 人工神经网络概述 |
| 2.1.2 人工神经网络的发展 |
| 2.1.3 生物神经元 |
| 2.1.4 人工神经元及其特性 |
| 2.1.5 人工神经网络模型 |
| 2.1.6 人工神经网络的学习 |
| 2.2 前向神经网络 |
| 2.2.1 前向神经网络概述 |
| 2.2.2 前向神经网络的学习方式和学习规则 |
| 2.3 BP 算法 |
| 2.3.1 BP 算法的原理 |
| 2.3.2 BP 算法的数学表达 |
| 2.3.3 BP 算法的执行步骤 |
| 2.3.4 BP 算法的缺点及改进 |
| 2.4 BP 神经网络的泛化能力 |
| 2.5 本章小结 |
| 3 基于 BP 神经网络训练样本的优化 |
| 3.1 引言 |
| 3.2 对训练样本优化的实现 |
| 3.2.1 因子分析 |
| 3.2.2 聚类分析 |
| 3.2.3 对训练样本优化的实现步骤 |
| 3.3 应用实例 |
| 3.4 本章小结 |
| 4 基于局部权值阈值调整的 BP 算法 |
| 4.1 基于局部权值阈值调整算法的改进思想 |
| 4.2 改进的BP 算法 |
| 4.2.1 改进算法描述 |
| 4.2.2 距离和相似性系数 |
| 4.2.3 改进算法的训练过程 |
| 4.2.4 讨论 |
| 4.3 仿真实验 |
| 4.3.1 函数逼近的例子 |
| 4.3.2 三分类的例子 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 存在的问题与展望 |
| 参考文献 |
| 致谢 |
| 附:作者在攻读硕士学位期间发表的论文目录、科研情况 |
（10）人工神经网络的泛化性能与降水预报的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 人工神经网络技术的发展概况 |
| 1.2 神经网络方法在大气科学中的应用研究 |
| 1.2.1 在卫星云图、雷达图像识别中的应用研究 |
| 1.2.2 在强对流天气预报中的应用研究 |
| 1.2.3 在雾预报中的应用研究 |
| 1.2.4 在温度预报中的应用研究 |
| 1.2.5 在热带气旋预报中的应用研究 |
| 1.2.6 在短期气候预测降水预报中的应用研究 |
| 1.2.7 在短期、短时降水预报中的应用研究 |
| 1.3 混合遗传神经网络的应用研究 |
| 1.4 利用遗传算法优化神经网络预测模型的相关研究 |
| 1.5 人工神经网络泛化性能的研究 |
| 参考文献 |
| 第二章 人工神经网络的原理和方法 |
| 2.1 人工神经网络的概念和基木原理 |
| 2.1.1 大脑与人工神经网络 |
| 2.1.2 人工神经元模型 |
| 2.1.3 神经网络的结构与类型 |
| 2.2 神经网络的研究进展及应用 |
| 2.2.1 人工神经网络的研究进展 |
| 2.2.2 人工神经网络的应用 |
| 2.3 BP 网络基本原理 |
| 2.3.1 BP 网络的设计思想 |
| 2.3.2 BP 网络的结构 |
| 2.3.3 BP 网络建模特点和优点 |
| 2.3.4 BP 算法的数学原理 |
| 2.3.5 BP算法实现的步骤 |
| 2.4 BP 神经网络结构与训练参数选取 |
| 2.4.1 输入、输出层节点数的选定及数据的预处理 |
| 2.4.2 BP 网络拓朴结构的确定 |
| 2.4.3 训练样本的选取 |
| 2.4.4 训练参数的选取 |
| 2.4.5 网络的训练 |
| 2.4.6 BP 网络模型性能和泛化能力 |
| 2.4.7 合理 BP 网络模型的确定 |
| 参考文献 |
| 第三章 遗传算法的原理和方法 |
| 3.1 遗传算法的概念和基本原理 |
| 3.1.1 染色体的编码 |
| 3.1.2 适应度函数 |
| 3.1.3 遗传操作 |
| 3.1.4 遗传算法的一般流程 |
| 3.1.5 遗传算法的形成与发展 |
| 3.1.6 与传统搜索相比遗传算法的特点 |
| 3.1.7 遗传算法的应用 |
| 3.2 遗传算法的收敛性分析 |
| 3.3 遗传算法面临的问题 |
| 参考文献 |
| 第四章 影响短期天气预报神经网络模型泛化性能因素的系统分析 |
| 4.1 泛化能力与泛化问题的提出 |
| 4.2 泛化问题的数学和逻辑根源 |
| 4.2.1 泛化问题的数学根源 |
| 4.2.2 泛化问题的逻辑根源 |
| 4.3 影响神经网络泛化性能的系统分析 |
| 4.3.1 网络结构影响 |
| 4.3.2 训练样本及网络参数的影响 |
| 4.3.3 神经网络的学习误差函数对泛化性能的影响 |
| 4.4 影响神经网络泛化性能的实例分析 |
| 4.4.1 预报因子的选取与处理 |
| 4.4.2 网络结构对网络泛化性能的影响试验 |
| 4.4.3 网络学习时间对网络泛化性能的影响试验 |
| 参考文献 |
| 第五章 客观确定短期降水预报人工神经网络模型的网络结构方法 |
| 5.1 BP 网络结构的选取 |
| 5.1.1 输入、输出层节点数的选定 |
| 5.1.2 隐层的确定 |
| 5.2 训练参数的选取 |
| 5.3 隐层网络结构的优化 |
| 5.3.1 剪除型结构学习算法 |
| 5.3.2 增长型结构学习算法 |
| 5.4 利用遗传算法客观确定人工神经网络结构的方法 |
| 5.4.1 遗传算法与神经网络结合的主要方式 |
| 5.4.2 优化神经网络连接权及网络结构的方法 |
| 5.5 遗传算法优化神经网络预报模型的应用实例及结果分析 |
| 5.5.1 遗传—神经网络方法在短期降水预报的应用 |
| 5.5.2 遗传—神经网络方法在南海西行台风强度预报的应用 |
| 参考文献 |
| 第六章 提高短期降水人工神经网络预报模型泛化性能的方法 |
| 6.1 改进神经网络模型泛化性能的方法和原理 |
| 6.1.1 结构设计方法 |
| 6.1.2 改善样本质量方法 |
| 6.1.3 最优停止方法 |
| 6.1.4 学习算法的改进 |
| 6.1.5 改进激励(特征)函数 |
| 6.1.6 误差函数的改进方法 |
| 6.1.7 训练目标增加约束方法 |
| 6.1.8 修正权值方法 |
| 6.2 预报模型泛化性能的改进方法和原理 |
| 6.2.1 主动性方法的原理 |
| 6.2.2 试探性方法 |
| 6.2.3 分割模式输入样本的方法 |
| 6.3 提高网络泛化性能的系统降维实用方法 |
| 6.3.1 系统降维方法原理 |
| 6.3.2 提高短期降水预报模型泛化性能的实例计算分析 |
| 参考文献 |
| 第七章 总结 |
| 7.1 特色 |
| 7.2 主要结论 |
| 7.3 创新点 |
| 7.4 不足 |
| 致谢 |
四、多层前向神经网络的一种改进BP算法（论文参考文献）
- [1]城市排水泵站水泵群的调度优化与智能控制系统的设计与实现[D]. 施璇. 安徽建筑大学, 2021(08)
- [2]基于RBM的深度神经网络算法研究[D]. 张健. 中国矿业大学, 2020
- [3]接触网导线温升模型研究及其应用[D]. 冯烜智. 西南交通大学, 2020(07)
- [4]CFG桩处治软土路基的沉降预测[D]. 邹强. 中南林业科技大学, 2019(01)
- [5]遗传算法优化神经网络在供水管网中的应用[D]. 邓葳. 广东工业大学, 2019(02)
- [6]基于区域卷积神经网络的光学遥感图像部分遮挡目标检测识别技术研究[D]. 任云. 国防科技大学, 2018(01)
- [7]无后向传播的复数值前向神经网络的研究[D]. 郭伟. 苏州大学, 2018(04)
- [8]基于改进的神经网络在土地利用信息提取中的研究 ——以北京市密云县露天采矿区为例[D]. 范晓. 中国地质大学(北京), 2012(12)
- [9]BP神经网络学习算法的研究[D]. 刘彩红. 重庆师范大学, 2008(01)
- [10]人工神经网络的泛化性能与降水预报的应用研究[D]. 林开平. 南京信息工程大学, 2007(06)