区间神经网络的算法收敛性分析
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 插图目录 | 第13-14页 |
| 表格目录 | 第14-15页 |
| 1 绪论 | 第15-27页 |
| 1.1 人工神经网络简介 | 第15-19页 |
| 1.1.1 神经网络的特性 | 第15-16页 |
| 1.1.2 神经元模型 | 第16页 |
| 1.1.3 神经网络结构 | 第16-18页 |
| 1.1.3.1 前馈神经网络 | 第17页 |
| 1.1.3.2 反馈神经网络 | 第17-18页 |
| 1.1.4 神经网络学习规则 | 第18-19页 |
| 1.2 区间分析简介 | 第19-24页 |
| 1.2.1 区间基本术语及概念 | 第19-20页 |
| 1.2.2 区间运算定义及基本运算规则 | 第20-21页 |
| 1.2.3 区间函数介绍 | 第21-24页 |
| 1.3 区间神经网络 | 第24页 |
| 1.4 本文的主要工作 | 第24-27页 |
| 2 光滑区间神经元 | 第27-45页 |
| 2.1 背景介绍 | 第27页 |
| 2.2 区间分析 | 第27-28页 |
| 2.3 区间神经元 | 第28-31页 |
| 2.3.1 区间神经元结构 | 第28-29页 |
| 2.3.2 区间神经元的学习算法 | 第29-31页 |
| 2.4 光滑区间神经元 | 第31-33页 |
| 2.4.1 光滑区间神经元结构 | 第31页 |
| 2.4.2 在工作模式下两种神经元的差异 | 第31-32页 |
| 2.4.3 光滑区间神经元的梯度学习算法 | 第32-33页 |
| 2.5 收敛性 | 第33-34页 |
| 2.6 数值实验 | 第34-36页 |
| 2.7 定理的证明 | 第36-44页 |
| 2.7.1 定理2.1的证明 | 第36-41页 |
| 2.7.2 定理2.2的证明 | 第41-44页 |
| 2.8 本章小结 | 第44-45页 |
| 3 光滑区间神经网络 | 第45-67页 |
| 3.1 背景介绍 | 第45页 |
| 3.2 区间神经网络 | 第45-46页 |
| 3.3 光滑区间神经网络 | 第46-49页 |
| 3.3.1 光滑区间神经网络结构 | 第46-47页 |
| 3.3.2 光滑区间神经网络的梯度算法 | 第47-49页 |
| 3.4 主要结果 | 第49页 |
| 3.5 数值实验 | 第49-51页 |
| 3.6 定理的证明 | 第51-65页 |
| 3.7 本章小结 | 第65-67页 |
| 4 具有区间权值的区间神经元的一种改进学习算法 | 第67-81页 |
| 4.1 背景介绍 | 第67页 |
| 4.2 具有区间权值的原区间感知器(OIP) | 第67-69页 |
| 4.2.1 区间感知器结构 | 第67-68页 |
| 4.2.2 区间感知器的学习算法 | 第68-69页 |
| 4.3 具有区间权值的改进的区间感知器(MIP) | 第69-70页 |
| 4.3.1 MIP的结构 | 第69页 |
| 4.3.2 MIP的梯度学习算法 | 第69-70页 |
| 4.4 MIP的收敛定理 | 第70-71页 |
| 4.5 数值实验 | 第71-76页 |
| 4.6 定理的证明 | 第76-80页 |
| 4.7 本章小结 | 第80-81页 |
| 5 处理区间数据的极端学习机 | 第81-91页 |
| 5.1 背景介绍 | 第81页 |
| 5.2 极端学习机 | 第81-82页 |
| 5.3 单隐层区间前馈神经网络(SLIFN) | 第82-83页 |
| 5.4 区间极端学习机 | 第83-85页 |
| 5.5 数值实验 | 第85-88页 |
| 5.6 本章小结 | 第88-91页 |
| 6 结论和展望 | 第91-93页 |
| 参考文献 | 第93-103页 |
| 攻读博士学位期间发表学术论文情况 | 第103-105页 |
| 致谢 | 第105-107页 |
| 作者简介 | 第107-109页 |
