| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-18页 |
| ·课题背景 | 第9页 |
| ·本课题研究的目的及意义 | 第9-11页 |
| ·国内外研究历史和现状 | 第11-16页 |
| ·多层感知器神经网络的历史与研究现状 | 第11-15页 |
| ·泛化误差模型的研究现状 | 第15-16页 |
| ·本课题特色与创新之处 | 第16-17页 |
| ·课题主要研究内容和本文结构 | 第17-18页 |
| 第2章 MLPNN 的原理、参数选择与泛化能力 | 第18-36页 |
| ·MLPNN 的基本原理 | 第18-26页 |
| ·MLPNN 的设计思想 | 第18页 |
| ·MLPNN 结构 | 第18-20页 |
| ·MLPNN 的特点和优点 | 第20-21页 |
| ·BP 算法的数学原理 | 第21-24页 |
| ·BP 算法步骤 | 第24-26页 |
| ·MLPNN 结构与训练参数的选取 | 第26-31页 |
| ·输入、输出层节点选定及数据的预处理 | 第26页 |
| ·MLPNN 结构的确定 | 第26-27页 |
| ·训练样本的选取 | 第27页 |
| ·训练参数的选取 | 第27-29页 |
| ·训练MLPNN | 第29-30页 |
| ·合理MLPNN 模型的确定 | 第30-31页 |
| ·MLPNN 的泛化能力 | 第31-34页 |
| ·MLPNN 泛化能力的提出 | 第31-32页 |
| ·MLPNN 泛化能力的数学根源 | 第32-34页 |
| ·MLPNN 泛化能力的逻辑根源 | 第34页 |
| ·本章小结 | 第34-36页 |
| 第3章 基于局部泛化误差模型的MLPNN 结构选择方法 | 第36-50页 |
| ·引言 | 第36-37页 |
| ·Q 邻域与Q 联合 | 第37-38页 |
| ·局部泛化误差模型 | 第38-39页 |
| ·MLPNN 的随机敏感度测量 | 第39-45页 |
| ·MLPNN 的结构选择 | 第45-48页 |
| ·MLPNN 的结构选择的研究现状 | 第45-46页 |
| ·Q 值的意义 | 第46-47页 |
| ·用RSM*对MLPNN 进行架构选择 | 第47-48页 |
| ·本章小结 | 第48-50页 |
| 第4章 实验结果分析 | 第50-58页 |
| ·引言 | 第50页 |
| ·实验环境 | 第50页 |
| ·UCI 标准数据库实验 | 第50-55页 |
| ·实验建立 | 第50-54页 |
| ·实验结果分析 | 第54-55页 |
| ·图像标注实验 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的论文 | 第63-65页 |
| 致谢 | 第65页 |