广义同余神经网络的性能分析与改进
| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-18页 |
| ·神经网络的产生 | 第11-12页 |
| ·神经网络研究的概念 | 第12-13页 |
| ·神经网络研究的特性及应用 | 第13-15页 |
| ·神经网络的特性 | 第13页 |
| ·神经网络的应用领域 | 第13-15页 |
| ·国内外研究现状分析 | 第15-17页 |
| ·研究内容及文章结构安排 | 第17-18页 |
| 第2章 广义同余神经网络(GCNN) | 第18-29页 |
| ·GCNN研究背景 | 第18-20页 |
| ·BP网络的一些问题 | 第18-20页 |
| ·GCNN已有的一些研究成果 | 第20页 |
| ·广义同余神经网络 | 第20-26页 |
| ·广义同余神经元 | 第20-21页 |
| ·广义同余函数 | 第21-24页 |
| ·网络结构 | 第24-25页 |
| ·GCNN学习算法 | 第25-26页 |
| ·改进的学习算法——贝叶斯正则化GCNN算法 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 GCNN性能分析 | 第29-47页 |
| ·逼近能力分析 | 第29-31页 |
| ·泛化能力分析 | 第31-32页 |
| ·神经元阈值的研究 | 第32页 |
| ·初始权值及隐含层的研究 | 第32-33页 |
| ·验证GCNN性能分析的实验 | 第33-40页 |
| ·函数逼近及泛化能力实验 | 第34-38页 |
| ·神经元阈值实验 | 第38-40页 |
| ·GCNN的改进算法实验 | 第40-46页 |
| ·贝叶斯正则化GCNN实验 | 第40-44页 |
| ·提前停止算法实验 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第4章 GCNN与BPNN的比较 | 第47-62页 |
| ·基本BPNN网络 | 第47-50页 |
| ·GCNN与BPNN比较 | 第50-57页 |
| ·激励函数的比较 | 第50-53页 |
| ·学习算法的比较 | 第53-57页 |
| ·GCNN与BPNN的实验比较 | 第57-61页 |
| ·异或实验 | 第58-59页 |
| ·函数逼近实验 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 第5章 GCNN在刀具监测中的模式识别应用 | 第62-75页 |
| ·刀具监测的介绍 | 第62-65页 |
| ·刀具监测的意义 | 第62-63页 |
| ·刀具磨损状态的监测方法 | 第63-64页 |
| ·刀具磨损状态的监测系统 | 第64-65页 |
| ·GCNN对刀具磨损状态的监测 | 第65-69页 |
| ·刀具磨损过程 | 第65页 |
| ·实验条件及仿真数据来源 | 第65-66页 |
| ·刀具磨损状态特征提取 | 第66-69页 |
| ·GCNN网络设计 | 第69-74页 |
| ·GCNN网络结构参数设计 | 第69-70页 |
| ·GCNN网络检验数据的实际输出与目标输出比较 | 第70-72页 |
| ·贝叶斯正则化GCNN的刀具磨损状态识别 | 第72-74页 |
| ·GCNN用于刀具磨损状态监测的结论 | 第74-75页 |
| 第6章 结论与展望 | 第75-77页 |
| ·全文工作总结 | 第75页 |
| ·未来展望 | 第75-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 攻读硕士学位期间发表的论文 | 第83页 |
