| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第1章 绪论 | 第10-26页 |
| 1.1 研究背景和意义 | 第10-13页 |
| 1.2 神经网络的发展概述 | 第13-16页 |
| 1.3 混合级联神经网络的研究现状 | 第16-22页 |
| 1.4 本文主要工作 | 第22-23页 |
| 1.5 论文结构安排 | 第23-26页 |
| 第2章 前置核的RBF-BP混合结构神经网络分类器研究 | 第26-44页 |
| 2.1 RBF神经网络模型及特点 | 第27-29页 |
| 2.2 RBF-BP混合结构神经网络连接机制 | 第29-31页 |
| 2.3 RBF-BP混合结构神经网络模型 | 第31-33页 |
| 2.4 RBF-BP混合结构神经网络算学习算法 | 第33-34页 |
| 2.5 实验结果与分析 | 第34-43页 |
| 2.6 本章小结 | 第43-44页 |
| 第3章 核数自适应学习的RBF-BP混合结构神经网络分类器研究 | 第44-64页 |
| 3.1 固定核数的RBF-BP网络的局限性 | 第44-45页 |
| 3.2 样本空间密度分布与核数关系分析 | 第45-46页 |
| 3.3 基于势函数聚类的RBF核数自适应学习算法 | 第46-48页 |
| 3.4 核数自适应的RBF-BP混合结构神经网络学习算法 | 第48-50页 |
| 3.5 实验结果与分析 | 第50-62页 |
| 3.5.1 实验参数分析 | 第52-55页 |
| 3.5.2 不同数据集上的实验对比 | 第55-62页 |
| 3.6 本章小结 | 第62-64页 |
| 第4章 异类斥力核优化的RBF-BP混合结构神经网络分类器研究 | 第64-94页 |
| 4.1 由同类样本生成核的局限性 | 第64-65页 |
| 4.2 异类斥力核参数优化学习的特性分析 | 第65-69页 |
| 4.3 面向中心的异类样本排斥力模型 | 第69-73页 |
| 4.4 异类斥力核优化的RBF-BP混合结构神经网络学习算法 | 第73-74页 |
| 4.5 实验结果与分析 | 第74-92页 |
| 4.5.1 实验参数分析 | 第77-79页 |
| 4.5.2 多种数据集上的实验对比 | 第79-92页 |
| 4.6 本章小结 | 第92-94页 |
| 第5章 核整体划分思想的RBF-BP混合结构神经网络分类器研究 | 第94-110页 |
| 5.1 核整体划分思想的特性分析 | 第94-97页 |
| 5.2 核整体划分思想的具体实现方法 | 第97-100页 |
| 5.3 实验结果与分析 | 第100-108页 |
| 5.4 本章小结 | 第108-110页 |
| 第6章 核结构自适应的RBF-ELM混合神经网络分类器研究 | 第110-122页 |
| 6.1 核自适应RBF混合结构网络可扩展性分析 | 第111-112页 |
| 6.2 核结构自适应的RBF-ELM混合神经网络模型 | 第112-114页 |
| 6.3 核结构自适应的RBF-ELM混合神经网络学习算法 | 第114页 |
| 6.4 实验结果与分析 | 第114-121页 |
| 6.5 本章小结 | 第121-122页 |
| 第7章 总结与展望 | 第122-126页 |
| 7.1 论文总结 | 第122-123页 |
| 7.2 研究展望 | 第123-126页 |
| 参考文献 | 第126-136页 |
| 附录 | 第136-142页 |
| 致谢 | 第142-143页 |
| 攻读博士学位期间的研究成果 | 第143页 |
