| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·人工神经网络概述 | 第8-11页 |
| ·人工神经网络发展历史回顾 | 第8-9页 |
| ·人工神经网络的基本特征 | 第9页 |
| ·人工神经网络的应用及研究方向 | 第9-11页 |
| ·组合式非周期缺陷接地结构概述 | 第11-12页 |
| ·本课题的工作及意义 | 第12-14页 |
| 第二章 神经网络原理 | 第14-32页 |
| ·人工神经网络介绍 | 第14-17页 |
| ·人工神经元数学模型 | 第14-15页 |
| ·神经网络的拓扑结构 | 第15-16页 |
| ·神经网络的学习 | 第16-17页 |
| ·神经网络的学习方式 | 第16页 |
| ·神经网络的学习算法 | 第16-17页 |
| ·BP神经网络 | 第17-19页 |
| ·多层前馈神经网络 | 第18页 |
| ·多层前馈神经网络对函数的逼近性 | 第18-19页 |
| ·基本BP算法及其改进算法 | 第19-30页 |
| ·基本BP算法 | 第20-24页 |
| ·改进的BP算法—Levenberg-Marquart算法 | 第24-30页 |
| ·牛顿法 | 第24-25页 |
| ·Levenberg-Marquart算法 | 第25-27页 |
| ·LMBP算法的迭代过程 | 第27-29页 |
| ·LMBP算法的优缺点 | 第29-30页 |
| ·建立神经网络 | 第30-32页 |
| ·训练样本的获取 | 第30页 |
| ·神经网络结构的确定 | 第30-31页 |
| ·神经网络的初始化和训练算法的选取 | 第31-32页 |
| 第三章 单隐层神经网络权值向量的优化选取 | 第32-39页 |
| ·神经网络权值初始化的研究进展 | 第32页 |
| ·两种神经网络权值初始化方法 | 第32-36页 |
| ·N-W权值初值选取方法 | 第32-35页 |
| ·单输入的单隐层神经网络的权值初始化 | 第33-34页 |
| ·多输入的单隐层神经网络的权值初始化 | 第34-35页 |
| ·初始权值离散度选取法 | 第35-36页 |
| ·初始权值离散度函数 | 第35-36页 |
| ·初始权值离散度与样本误差匹配性 | 第36页 |
| ·神经网络权值初始化新方法—改进的N-W法 | 第36-38页 |
| ·改进的N-W权值优化选取方法 | 第36页 |
| ·实验测试结果 | 第36-38页 |
| ·结论 | 第38-39页 |
| 第四章 改进的LMBP算法 | 第39-46页 |
| ·LMBP算法的简单回顾 | 第39-40页 |
| ·LMBP算法的分析及其改进 | 第40-43页 |
| ·误差下降梯度与μ值关系的探讨 | 第40-42页 |
| ·改进的LMBP学习算法 | 第42-43页 |
| ·改进LMBP算法的验证 | 第43-46页 |
| 第五章 综合改进的LMBP算法在CNPDGS建模中的应用 | 第46-56页 |
| ·缺陷接地结构的研究与应用 | 第46-47页 |
| ·新型CNPDGS结构低通滤波器的样本提取 | 第47-49页 |
| ·建立CNPDGS神经网络模型 | 第49页 |
| ·神经网络结构的确定 | 第49页 |
| ·神经网络学习算法的确定 | 第49页 |
| ·神经网络训练结果与结果分析 | 第49-55页 |
| ·改进算法的有效性验证 | 第49-51页 |
| ·改进的神经网络模型的测试 | 第51-55页 |
| ·实验小结 | 第55-56页 |
| 结束语 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 致谢 | 第59页 |