| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第1章 绪论 | 第7-12页 |
| ·选题背景与研究意义 | 第7-8页 |
| ·国内外研究现状 | 第8-10页 |
| ·类 RBF 人工神经网络研究现状 | 第8-9页 |
| ·神经网络硬件实现现状 | 第9-10页 |
| ·研究内容与技术路线 | 第10-12页 |
| ·研究内容 | 第10页 |
| ·研究方法 | 第10-12页 |
| 第2章 类 RBF 神经网络算法研究 | 第12-32页 |
| ·理论依据 | 第12-15页 |
| ·RBF 算法 | 第12-13页 |
| ·KNN 算法 | 第13-14页 |
| ·RCE 算法 | 第14页 |
| ·算法的共性和提炼 | 第14-15页 |
| ·类 RBF 神经网络算法 | 第15-24页 |
| ·类 RBF 神经网络模型结构 | 第15-17页 |
| ·类 RBF 神经网络学习模型 | 第17-19页 |
| ·范本向量的确定 | 第19页 |
| ·响应域的调整 | 第19页 |
| ·权值的调整 | 第19-20页 |
| ·判决空间的建立 | 第20-21页 |
| ·网络收敛性证明 | 第21-22页 |
| ·类 RBF 神经网络识别算法 | 第22-24页 |
| ·算法创新型 | 第24-31页 |
| ·网络分段学习 | 第24-25页 |
| ·不学习 | 第25页 |
| ·反例学习 | 第25-27页 |
| ·神经元退出机制 | 第27-31页 |
| ·本章小结 | 第31-32页 |
| 第3章 类 RBF 神经网络的硬件实现 | 第32-60页 |
| ·硬件化需要解决的问题 | 第32-34页 |
| ·相似性计算 | 第32页 |
| ·输出排序计算 | 第32-34页 |
| ·类 RBF 神经网络系统分析 | 第34-41页 |
| ·需求分析 | 第34页 |
| ·系统层次分析 | 第34-40页 |
| ·模块功能分析 | 第40-41页 |
| ·类 RBF 神经网络系统设计 | 第41-47页 |
| ·系统架构图 | 第41页 |
| ·数据流程图 | 第41-43页 |
| ·业务流程图 | 第43-47页 |
| ·类 RBF 神经网络 FPGA 实现 | 第47-58页 |
| ·算法状态机 | 第47-50页 |
| ·模块分割 | 第50-53页 |
| ·外围电路设计 | 第53页 |
| ·Libro 集成开发环境介绍 | 第53-55页 |
| ·类 RBF 神经网络电路测试及验证 | 第55-58页 |
| ·本章小结 | 第58-60页 |
| 第4章 基于类 RBF 人工神经网络的多目标图像识别系统 | 第60-72页 |
| ·图像识别技术 | 第60-63页 |
| ·传统图像识别技术 | 第60页 |
| ·基于神经网络硬件的图像识别技术 | 第60-61页 |
| ·基于神经网络硬件的图像识别系统特性 | 第61-62页 |
| ·与传统识别技术比较 | 第62-63页 |
| ·需求分析 | 第63-64页 |
| ·功能概述 | 第63页 |
| ·外部行为描述 | 第63-64页 |
| ·知识训练员对功能的需求 | 第64页 |
| ·普通用户对功能的需求 | 第64页 |
| ·知识管理员对功能的需求 | 第64页 |
| ·系统业务流程图 | 第64-66页 |
| ·系统实现 | 第66-70页 |
| ·系统测试 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 总结与展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 附录 A 论文术语表 | 第77-78页 |
| 附录 B 论文符号说明 | 第78-79页 |
| 研究生阶段发表论文情况 | 第79-80页 |
| 致谢 | 第80页 |