| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 论文的研究背景及意义 | 第10-16页 |
| 1.1.1 复值神经网络 | 第10-15页 |
| 1.1.2 复变量实值函数最优化问题 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 论文的主要内容 | 第18-19页 |
| 第2章 相关的理论基础 | 第19-31页 |
| 2.1 C-R微分算子 | 第19-22页 |
| 2.2 坐标变换 | 第22-25页 |
| 2.3 复梯度 | 第25-26页 |
| 2.4 复Hessian矩阵 | 第26-28页 |
| 2.5 复变量实值函数Taylor展开式 | 第28-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 基于C-R微分算子复值神经网络牛顿学习算法 | 第31-45页 |
| 3.1 引言 | 第31-32页 |
| 3.2 基于C-R微分算子复值牛顿法迭代法 | 第32-40页 |
| 3.2.1 复值牛顿法迭代公式推导 | 第32-33页 |
| 3.2.2 精确线性搜索条件下步长公式 | 第33-35页 |
| 3.2.3 复值牛顿法在CVNN上的应用 | 第35-40页 |
| 3.3 复值牛顿学习算法关于收敛性的证明 | 第40-44页 |
| 3.3.1 复值牛顿法收敛性证明 | 第40-42页 |
| 3.3.2 精确线性搜索条件下复值牛顿法收敛性证明 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 基于C-R微分算子复值神经网络拟牛顿学习算法 | 第45-57页 |
| 4.1 引言 | 第45页 |
| 4.2 基于C-R微分算子复值拟牛顿学习算法 | 第45-46页 |
| 4.3 基于C-R微分算子复值DFP算法 | 第46-53页 |
| 4.3.1 复值DFP算法研究 | 第46-47页 |
| 4.3.2 复值DFP算法可行性分析 | 第47-49页 |
| 4.3.3 复值DFP算法收敛性分析 | 第49-53页 |
| 4.4 数值模拟 | 第53-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第5章 基于C-R微分算子复值神经网络共轭梯度法学习算法 | 第57-69页 |
| 5.1 引言 | 第57-58页 |
| 5.2 基于C-R微分算子复值共轭梯度学习算法研究 | 第58-62页 |
| 5.3 复值共轭梯度学习算法收敛性证明 | 第62-64页 |
| 5.4 数值模拟 | 第64-68页 |
| 5.5 本章小结 | 第68-69页 |
| 结论 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第76-77页 |
| 致谢 | 第77页 |
