| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-12页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| 第二章 人工神经网络与极速学习机 | 第12-31页 |
| ·人工神经网络 | 第12-17页 |
| ·反向传播神经网络 | 第17-21页 |
| ·极速学习机一般介绍 | 第21-31页 |
| 第三章 极速学习机的训练残差学习及其在遗传算法中的应用 | 第31-49页 |
| ·背景介绍 | 第31-32页 |
| ·极速学习机 | 第32-35页 |
| ·输入矩阵的维数增长 | 第35-37页 |
| ·S变换导致的输出矩阵秩的增加 | 第37-40页 |
| ·对于残差和解的稳定性的估计 | 第40-44页 |
| ·L~1-范数优化问题 | 第44-46页 |
| ·最小化L~1模的极速学习机及遗传算法求解 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第四章 极速学习机的泛化能力研究 | 第49-63页 |
| ·背景介绍 | 第49-51页 |
| ·极速学习机输出的模糊性 | 第51-53页 |
| ·极速学习机的泛化模型 | 第53-55页 |
| ·泛化模型的数值试验分析 | 第55-62页 |
| ·本章小结 | 第62-63页 |
| 第五章 极速学习机的网络稳定性研究 | 第63-76页 |
| ·引言 | 第63-64页 |
| ·预备知识 | 第64-67页 |
| ·前馈神经网络稳定性研究的蒙特卡洛模拟实验方法 | 第67-70页 |
| ·仿真实验 | 第70-75页 |
| ·本章小结 | 第75-76页 |
| 第六章 基于模糊性大小的样本分治策略与分类器的性能改善 | 第76-87页 |
| ·引言 | 第76页 |
| ·分类器输出的模糊性 | 第76-79页 |
| ·模糊性归类与错分率的关系 | 第79-83页 |
| ·基于模糊性归类的样本分治策略 | 第83-86页 |
| ·本章小结 | 第86-87页 |
| 第七章 结论与工作展望 | 第87-88页 |
| 参考文献 | 第88-96页 |
| 致谢 | 第96-97页 |
| 作者简介 | 第97页 |