基于RBF神经网络的集成增量学习方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·课题研究的背景和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·本文的主要研究内容 | 第12-13页 |
| ·论文结构和主要创新点 | 第13-14页 |
| 第二章 神经网络增量学习算法 | 第14-23页 |
| ·自组织映射与概率神经网络增量学习算法 | 第14-15页 |
| ·选择性负相关增量学习算法 | 第15-18页 |
| ·负相关学习 | 第16页 |
| ·选择性负相关 | 第16-18页 |
| ·连续增量学习算法 | 第18-21页 |
| ·连续增量学习算法结构 | 第18-19页 |
| ·规则产生标准 | 第19-21页 |
| ·系统误差 | 第19页 |
| ·距离 | 第19页 |
| ·错误降低率 | 第19-21页 |
| ·连续增量模糊神经网络算法步骤 | 第21页 |
| ·本章小结 | 第21-23页 |
| 第三章 RBF集成增量学习算法研究与实现 | 第23-36页 |
| ·网络结构 | 第24-27页 |
| ·RBF网络结构 | 第24-26页 |
| ·增量学习网络结构 | 第26-27页 |
| ·RBF中心选取和参数调整 | 第27-28页 |
| ·K-均值算法选取核函数中心 | 第27-28页 |
| ·伪逆求子网络的权值和偏置 | 第28页 |
| ·增量学习过程 | 第28-36页 |
| ·最近中心确定获胜子网络 | 第29-30页 |
| ·最大概率确定获胜子网络及基本相关算法 | 第30-34页 |
| ·SOM神经网络学习算法 | 第30-32页 |
| ·Parzen窗的概率密度函数估计方法 | 第32-33页 |
| ·最大概率确定获胜子网络 | 第33-34页 |
| ·最近中心与最大概率确定获胜子网络 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 实验及分析 | 第36-47页 |
| ·单类别增量学习实验 | 第36-45页 |
| ·最近中心法确定获胜子网络 | 第36-42页 |
| ·最大概率法确定获胜子网络 | 第42-43页 |
| ·最近中心法与最大概率法确定获胜子网络 | 第43-44页 |
| ·IMSOMPNN | 第44-45页 |
| ·性能对比及分析 | 第45页 |
| ·多类别增量学习实验及分析 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 结论 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 攻读学位期间所取得的相关科研成果 | 第51-52页 |
| 致谢 | 第52-53页 |
