| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 1 绪论 | 第13-29页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 神经网络基础 | 第14-20页 |
| 1.2.1 神经网络的产生与发展 | 第14-16页 |
| 1.2.2 基本神经元模型 | 第16-17页 |
| 1.2.3 基本网络结构 | 第17-18页 |
| 1.2.4 基本学习方式 | 第18-19页 |
| 1.2.5 神经网络的应用方向 | 第19-20页 |
| 1.3 小波分析基础 | 第20-26页 |
| 1.3.1 从傅里叶变换到小波变换 | 第20-24页 |
| 1.3.2 多分辨分析 | 第24-26页 |
| 1.4 本文主要研究内容 | 第26-29页 |
| 2 小波神经网络简介 | 第29-37页 |
| 2.1 小波神经网络的分类 | 第29-33页 |
| 2.2 高维输入下的小波网络 | 第33-34页 |
| 2.3 小波网络的研究进展与发展趋势 | 第34-36页 |
| 2.4 本章小结 | 第36-37页 |
| 3 小波神经网络的改进初始化方法及其在信号预测中的应用 | 第37-57页 |
| 3.1 小波神经网络的初始化方法 | 第37-39页 |
| 3.1.1 自适应小波网络的参数初始化 | 第37-38页 |
| 3.1.2 固网小波网络的初始化 | 第38-39页 |
| 3.2 改进的自适应小波网络初始化方法 | 第39-45页 |
| 3.2.1 小波函数的Heisenberg盒 | 第40-43页 |
| 3.2.2 自适应小波网络的初始化算法 | 第43-45页 |
| 3.3 自适应小波网络参数学习的梯度下降算法 | 第45-47页 |
| 3.4 基于改进初始化方法的小波网络在信号预测中的仿真实验 | 第47-56页 |
| 3.4.1 Mackey-Glass混沌时间序列预测 | 第48-50页 |
| 3.4.2 Lorenz混沌时间序列预测 | 第50-53页 |
| 3.4.3 交通流量时间序列预测 | 第53-55页 |
| 3.4.4 实验结果讨论 | 第55-56页 |
| 3.5 本章小结 | 第56-57页 |
| 4 模糊小波神经网络及其在系统辨识中的应用研究 | 第57-75页 |
| 4.1 模糊小波网络模型 | 第57-63页 |
| 4.1.1 TSK模糊逻辑模型与神经网络 | 第57-60页 |
| 4.1.2 模糊小波网络的构造 | 第60-63页 |
| 4.2 FWNN用于非线性系统辨识 | 第63-65页 |
| 4.3 用于非线性系统辨识的FWNN训练算法 | 第65-68页 |
| 4.3.1 粒子群算法 | 第65-67页 |
| 4.3.2 在线梯度下降法 | 第67-68页 |
| 4.4 FWNN用于系统辨识的仿真算例 | 第68-74页 |
| 4.4.1 算例 1 | 第69-72页 |
| 4.4.2 算例 2 | 第72-74页 |
| 4.5 本章小结 | 第74-75页 |
| 5 径向小波神经网络及其在模式分类中的应用研究 | 第75-100页 |
| 5.1 径向小波神经网络的结构 | 第75-77页 |
| 5.2 一种用于模式分类的径向小波网络算法 | 第77-90页 |
| 5.2.1 Kohonen自组织映射（SOM） | 第78-80页 |
| 5.2.2 SOM算法用于汽车牌照的倾斜校正和字符分割 | 第80-84页 |
| 5.2.3 基于自生成圆盘细胞分裂（SCDCS）算法和最小二乘法（LS）的RWNN | 第84-90页 |
| 5.3 基于SCDCS和LS的径向小波网络在车牌字符识别中的应用 | 第90-99页 |
| 5.3.1 实验一：英文字母识别 | 第91-95页 |
| 5.3.2 实验二：英文字母或数字识别 | 第95-99页 |
| 5.4 本章小结 | 第99-100页 |
| 6 工作总结与展望 | 第100-103页 |
| 6.1 工作总结 | 第100-101页 |
| 6.2 展望 | 第101-103页 |
| 参考文献 | 第103-113页 |
| 攻读博士学位期间发表的论文及研究成果 | 第113-114页 |
| 致谢 | 第114页 |
