改进BP算法在数据仓库中的应用
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 引言 | 第10-14页 |
| ·本课题的研究背景和意义 | 第10-11页 |
| ·国内外的研究现状 | 第11-12页 |
| ·本文的主要工作 | 第12页 |
| ·本文的组织结构 | 第12-14页 |
| 第2章 人工神经网络 | 第14-25页 |
| ·基于生物神经元的人工神经网络 | 第14-16页 |
| ·生物神经元模型 | 第14-15页 |
| ·人工神经网络原理及结构 | 第15-16页 |
| ·神经网络的分类方法 | 第16-19页 |
| ·基于网络结构的分类方法 | 第16-18页 |
| ·其他分类方法 | 第18-19页 |
| ·神经网络的学习规则 | 第19-20页 |
| ·Hebbian 学习规则 | 第19页 |
| ·感知器学习规则 | 第19-20页 |
| ·反向传播学习规则 | 第20页 |
| ·BP神经网络 | 第20-25页 |
| ·BP神经网络结构 | 第20-21页 |
| ·BP算法的原理分析及数学模型 | 第21-23页 |
| ·算法程序实现 | 第23-25页 |
| 第3章 针对BP 算法局限性的改进 | 第25-42页 |
| ·基于动量与学习率结合的算法优化 | 第26-33页 |
| ·附加动量法 | 第27-28页 |
| ·自适应学习率 | 第28页 |
| ·基于附加动量与自适应学习率结合的算法改进 | 第28-33页 |
| ·基于共轭梯度法的算法优化 | 第33-38页 |
| ·共轭梯度法 | 第33-34页 |
| ·优化的共轭梯度法 | 第34-38页 |
| ·基于梯度下降法及拟牛顿法的算法优化 | 第38-42页 |
| ·梯度下降法与拟牛顿法 | 第38页 |
| ·优化的Levenberg-Marquardt法 | 第38-42页 |
| 第4章 基于Matlab 模型的仿真实验 | 第42-51页 |
| ·仿真实验基础 | 第42-44页 |
| ·Matlab神经网络工具箱 | 第42页 |
| ·仿真模型的建立步骤 | 第42-44页 |
| ·优化算法的应用 | 第44-51页 |
| ·基于动量与学习率结合的算法仿真实验 | 第44-47页 |
| ·基于共轭梯度法的仿真实验 | 第47-49页 |
| ·基于梯度法与拟牛顿法的LM算法仿真实验 | 第49-51页 |
| 第5章 结语 | 第51-52页 |
| 参考文献 | 第52-54页 |
| 致谢 | 第54页 |
