| 中文摘要 | 第4-5页 |
| 英文摘要 | 第5页 |
| 1 绪论 | 第9-20页 |
| 1．1 课题来源 | 第9页 |
| 1．2 人工神经网络概述 | 第9-16页 |
| 1．2．1 神经元模型 | 第9-10页 |
| 1．2．2 人工神经网络的基本模型 | 第10-12页 |
| 1．2．3 人工神经网络的特点 | 第12-13页 |
| 1．2．4 人工神经网络的分类 | 第13页 |
| 1．2．5 人工神经网络的应用领域 | 第13页 |
| 1．2．6 几种常见的人工神经网络 | 第13-16页 |
| 1．3 神经网络的学习规则 | 第16-19页 |
| 1．3．1 D．D．Hebb学习规则 | 第16-17页 |
| 1．3．2 感知器（Perceptron）学习规则 | 第17页 |
| 1．3．3 δ 学习规则 | 第17-18页 |
| 1．3．4 其他学习规则 | 第18-19页 |
| 1．4 本课题的研究任务 | 第19-20页 |
| 2 人工神经网络的误差反传训练理论分析 | 第20-29页 |
| 2．1 经典BP神经网络的算法思想 | 第20-22页 |
| 2．1．1 样本数据正向传播过程 | 第20-21页 |
| 2．1．2 误差信号反传过程 | 第21-22页 |
| 2．2 经典BP算法的数学描述 | 第22-24页 |
| 2．2．1 经典BP算法概述 | 第22页 |
| 2．2．2 经典BP算法对连接权系数的修正 | 第22-24页 |
| 2．2．3 BP经典算法的特点 | 第24页 |
| 2．3 BP经典算法的改进 | 第24-29页 |
| 2．3．1 激励函数的选取 | 第25页 |
| 2．3．2 学习效率的改进 | 第25-29页 |
| 3、 基于BP神经网络的机器学习软件模块的设计 | 第29-39页 |
| 3．1 网络结构的确定 | 第29-30页 |
| 3．2 网络学习过程程序框图 | 第30-31页 |
| 3．3 程序变量表 | 第31-32页 |
| 3．4 主要程序模块 | 第32-39页 |
| 3．4．1 样本信号正向传播过程模块 | 第32-33页 |
| 3．4．2 误差信号（导师）反传过程 | 第33-34页 |
| 3．4．3 网络学习过程模块 | 第34-35页 |
| 3．4．4 网络工作过程模块 | 第35-39页 |
| 4、 机器学习软件的应用 | 第39-43页 |
| 4．1 在线性问题求解 | 第39-40页 |
| 4．1．1 问题概述 | 第39页 |
| 4．2．2 检验结果 | 第39-40页 |
| 4．2 在非线性问题求解中的应用 | 第40-41页 |
| 4．3 在模式分类中的应用 | 第41-42页 |
| 4．4 在信号处理中的应用 | 第42-43页 |
| 5 基于BP神经网络的图象识别技术 | 第43-55页 |
| 5．1 项目概况 | 第43-44页 |
| 5．1．1 银行开展传统支票业务的存在弊端 | 第43页 |
| 5．1．2 印鉴识别技术的应用现状 | 第43-44页 |
| 5．1．3 “一票通”印鉴识别系统解决方案 | 第44页 |
| 5．2 图象识别处理模型 | 第44-47页 |
| 5．2．1 验印系统对图象的要求 | 第44-45页 |
| 5．2．2 神经网络处理模型 | 第45-46页 |
| 5．2．3 机器学习的图象数据准备 | 第46-47页 |
| 5．3 图象的识别处理 | 第47-55页 |
| 5．3．1 位图数据的读取 | 第47-53页 |
| 5．3．2 机器对图象识别技术的学习 | 第53-55页 |
| 6 课题总结 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-59页 |