RBF和MLP神经网络逼近能力的几个结果
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-32页 |
| ·神经网络概述 | 第10-18页 |
| ·人工神经网络的诞生与发展 | 第10-12页 |
| ·人工神经网络的基本特征与功能 | 第12-13页 |
| ·人工神经网络模型 | 第13-16页 |
| ·人工神经网络的学习方式 | 第16-18页 |
| ·径向基函数网络 | 第18-25页 |
| ·径向基函数(RBF) | 第18-20页 |
| ·径向基函数参数的选取 | 第20-23页 |
| ·高斯条函数 | 第23-25页 |
| ·人工神经网络与数学 | 第25-30页 |
| ·多元连续函数的一元函数复合表示问题 | 第25页 |
| ·人工神经网络的逼近 | 第25-26页 |
| ·RBF和MLP网络逼近的一些结果 | 第26-30页 |
| ·本文的主要工作 | 第30-32页 |
| 2 广义函数简介 | 第32-40页 |
| ·基本函数空间 | 第32-34页 |
| ·广义函数的定义 | 第34-36页 |
| ·广义函数的性质和卷积 | 第36-38页 |
| ·本章小结 | 第38-40页 |
| 3 RBF网络的逼近问题 | 第40-62页 |
| ·RBF神经网络的函数逼近 | 第40-50页 |
| ·RBF神经网络的强逼近 | 第50-56页 |
| ·RBF神经网络的系统识别 | 第56-59页 |
| ·本章小结 | 第59-62页 |
| 4 前馈网络的强逼近问题 | 第62-78页 |
| ·相关的数学知识 | 第62页 |
| ·前馈神经网络的强逼近定理 | 第62-68页 |
| ·强逼近定理的应用 | 第68-72页 |
| ·算子逼近 | 第72-76页 |
| ·本章小结 | 第76-78页 |
| 结论与展望 | 第78-80页 |
| 结论 | 第78页 |
| 展望 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 主要符号对照表 | 第84-86页 |
| 攻读博士学位期间学术论文完成情况 | 第86-88页 |
| 论文创新点摘要 | 第88-90页 |
| 致谢 | 第90-92页 |
