基于嵌入式系统的优化算法设计和研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 图目录 | 第7-8页 |
| 表目录 | 第8-9页 |
| 第一章 绪论 | 第9-11页 |
| ·课题提出和研究目的 | 第9-10页 |
| ·课题来源和背景 | 第9页 |
| ·研究目的和意义 | 第9-10页 |
| ·本文的研究工作及论文的组织 | 第10-11页 |
| 第二章 优化历史概述 | 第11-18页 |
| ·优化的基本概念 | 第11-12页 |
| ·人工神经网络 | 第12-15页 |
| ·人工神经网络的概述 | 第12页 |
| ·人工神经网络的历史 | 第12-14页 |
| ·人工神经网络的结构 | 第14-15页 |
| ·统计学习理论 | 第15-18页 |
| 第三章 人工神经网络—BP算法 | 第18-35页 |
| ·反向传播算法的原理 | 第18-22页 |
| ·BP神经网络的计算机模拟算法 | 第22-26页 |
| ·训练数据的描述 | 第26-27页 |
| ·BP算法参数的作用和选择 | 第27-31页 |
| ·BP算法中隐藏层神经元数目的选择 | 第31-32页 |
| ·BP算法的批处理和在线运行的比较 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 支持向量机 | 第35-49页 |
| ·引言 | 第35页 |
| ·线性学习器 | 第35-45页 |
| ·线性分类 | 第36页 |
| ·Rosenblatt感知机 | 第36-38页 |
| ·多分类判别 | 第38-39页 |
| ·线性回归 | 第39页 |
| ·从感知机到支持向量机的过渡 | 第39-45页 |
| ·用SVM算法进行训练 | 第45-48页 |
| ·惩罚因子对算法的影响 | 第45-47页 |
| ·交叉验证的设置以及核函数的选择 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 优化算法的嵌入式应用研究 | 第49-71页 |
| ·嵌入式系统综述 | 第49-51页 |
| ·嵌入式实验系统介绍 | 第51-53页 |
| ·输入样本的预处理 | 第53-54页 |
| ·特征值是浮点数时的样本预处理 | 第53页 |
| ·特征值是二进制数时的样本预处理 | 第53-54页 |
| ·基于嵌入式的智能算法 | 第54-58页 |
| ·智能算法参数的设置 | 第55-56页 |
| ·智能算法的选择 | 第56-58页 |
| ·优化算法在嵌入式系统上的运行 | 第58-66页 |
| ·改进exp函数来提高优化算法的性能 | 第59-63页 |
| ·改进BP算法来提高运算的速度 | 第63-64页 |
| ·改进SVM算法来提高程序的运算性能 | 第64-66页 |
| ·用改进的BP算法对语音识别样本进行训练 | 第66-68页 |
| ·智能算法在嵌入式系统上的具体应用方式 | 第68-70页 |
| ·本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 参考文献 | 第73-75页 |
| 致谢 | 第75-76页 |
| 作者简历 | 第76页 |
