基于梯度类方法和广义逆的神经网络算法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 引言 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外现状分析 | 第11-14页 |
| 1.2.1 传统神经网络 | 第11-13页 |
| 1.2.2 分数阶神经网络 | 第13页 |
| 1.2.3 复值神经网络 | 第13-14页 |
| 1.3 本文主要研究内容及结构安排 | 第14-16页 |
| 第2章 相关神经网络算法介绍 | 第16-29页 |
| 2.1 引言 | 第16页 |
| 2.2 人工神经网络 | 第16-21页 |
| 2.2.1 神经网络结构 | 第17-19页 |
| 2.2.2 单隐层前馈神经网络 | 第19-21页 |
| 2.3 BP算法 | 第21-25页 |
| 2.3.1 BP算法描述 | 第22-24页 |
| 2.3.2 BP算法流程 | 第24-25页 |
| 2.4 超限学习机 | 第25-28页 |
| 2.4.1 理论基础 | 第26页 |
| 2.4.2 ELM算法及流程 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于共轭梯度法和广义逆的神经网络算法 | 第29-40页 |
| 3.1 引言 | 第29页 |
| 3.2 基于共轭梯度法和广义逆的神经网络算法 | 第29-35页 |
| 3.2.1 共轭梯度优化方法 | 第29-32页 |
| 3.2.2 算法描述 | 第32-35页 |
| 3.3 实验及结果分析 | 第35-39页 |
| 3.3.1 实验设置 | 第35-37页 |
| 3.3.2 实验结果分析 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于分数阶梯度和广义逆的神经网络算法 | 第40-52页 |
| 4.1 引言 | 第40页 |
| 4.2 基于分数阶梯度和广义逆的神经网络算法 | 第40-45页 |
| 4.2.1 分数阶导数形式 | 第40-41页 |
| 4.2.2 算法描述 | 第41-45页 |
| 4.3 实验及结果分析 | 第45-50页 |
| 4.3.1 实验设置 | 第45-46页 |
| 4.3.2 不同的分数阶梯度法性能的比较 | 第46-47页 |
| 4.3.3 与整数阶算法对比实验 | 第47-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第5章 基于梯度法和广义逆的复值神经网络算法 | 第52-62页 |
| 5.1 引言 | 第52页 |
| 5.2 基于梯度法和广义逆的复值神经网络算法 | 第52-58页 |
| 5.2.1 复值神经网络激活方式 | 第52-54页 |
| 5.2.2 算法描述 | 第54-58页 |
| 5.3 实验及结果分析 | 第58-61页 |
| 5.3.1 数据集介绍 | 第58-59页 |
| 5.3.2 实验结果及分析 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间取得的学术成果 | 第70-71页 |
| 致谢 | 第71页 |
