| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-11页 |
| 第1章 绪论 | 第11-25页 |
| ·论文研究背景及意义 | 第11-12页 |
| ·研究现状 | 第12-21页 |
| ·模块化神经网络研究现状 | 第12-15页 |
| ·单一神经网络结构设计方法研究现状 | 第15-20页 |
| ·存在的问题 | 第20-21页 |
| ·论文的主要构架与创新研究工作 | 第21-25页 |
| ·论文的主要构架 | 第21-22页 |
| ·主要创新工作 | 第22-25页 |
| 第2章 模块化神经网络 | 第25-39页 |
| ·引言 | 第25页 |
| ·模块化神经网络 | 第25-31页 |
| ·模块化的概念 | 第25-26页 |
| ·模块化神经网络 | 第26-28页 |
| ·模块化神经网络的优势 | 第28-29页 |
| ·模块化神经网络结构设计 | 第29-31页 |
| ·模块化神经网络的构架与实现 | 第31-34页 |
| ·模块化神经网络的构架 | 第31-32页 |
| ·模块化神经网络学习的实现 | 第32-34页 |
| ·模块化神经网络性能分析 | 第34-38页 |
| ·回归问题 | 第34-37页 |
| ·分类问题 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第3章 基于信息熵的子网络结构设计 | 第39-69页 |
| ·引言 | 第39-40页 |
| ·前馈神经网络 | 第40-44页 |
| ·前馈神经网络结构 | 第40-41页 |
| ·感知器网络结构及工作原理 | 第41-43页 |
| ·批学习方式和增量学习方式 | 第43-44页 |
| ·基于改进拟熵的神经网络权衰减算法 | 第44-53页 |
| ·权衰减法剪枝的原理 | 第44-47页 |
| ·神经网络隐节点输出拟熵 | 第47-49页 |
| ·基于改进拟熵的权衰减算法 | 第49-51页 |
| ·实验与分析 | 第51-53页 |
| ·基于神经网络复杂度的修剪算法 | 第53-58页 |
| ·神经网络复杂度的定义 | 第53-54页 |
| ·修剪算法 | 第54-55页 |
| ·实验与分析 | 第55-58页 |
| ·自适应前馈神经网络结构设计 | 第58-66页 |
| ·互信息的定义与估计 | 第59-60页 |
| ·隐节点的合并 | 第60-61页 |
| ·隐节点的分裂 | 第61-62页 |
| ·自适应前馈神经网络结构设计算法 | 第62-63页 |
| ·实验与分析 | 第63-66页 |
| ·本章小结 | 第66-69页 |
| 第4章 多层协同模块化神经网络结构设计 | 第69-83页 |
| ·引言 | 第69页 |
| ·视觉神经系统 | 第69-71页 |
| ·视觉神经系统 | 第69-70页 |
| ·视觉神经系统处理信息的层次性 | 第70-71页 |
| ·多层协同模块化神经网络 | 第71-77页 |
| ·多层协同模块化神经网络结构 | 第71-73页 |
| ·子网络的划分 | 第73-74页 |
| ·子网络的选择 | 第74-76页 |
| ·子网络的整合 | 第76页 |
| ·子网络的学习 | 第76-77页 |
| ·实验与分析 | 第77-82页 |
| ·非线性函数逼近 | 第77-80页 |
| ·Wisconsin breast cancer 数据分类 | 第80页 |
| ·太阳黑子预测 | 第80-82页 |
| ·本章小结 | 第82-83页 |
| 第5章 局部互连 BP 神经网络结构设计 | 第83-99页 |
| ·引言 | 第83-84页 |
| ·局部互连 BP 神经网络结构 | 第84-87页 |
| ·连接机制和工作机制 | 第84-85页 |
| ·任意逼近性能 | 第85页 |
| ·参数搜索空间 | 第85-87页 |
| ·RBF 神经元参数的确定 | 第87-91页 |
| ·K-Means 聚类算法 | 第87-88页 |
| ·聚类算法的改进 | 第88-89页 |
| ·RBF 神经元参数的确定 | 第89-90页 |
| ·加权距离的计算 | 第90-91页 |
| ·局部互连 BP 神经网络的学习及网络结构设计 | 第91-92页 |
| ·实验与分析 | 第92-97页 |
| ·三维墨西哥草帽函数逼近 | 第92-94页 |
| ·双螺旋模式分类 | 第94-96页 |
| ·Mackey-Glass 时间序列预测 | 第96-97页 |
| ·本章小结 | 第97-99页 |
| 第6章 自组织模块化神经网络结构设计 | 第99-135页 |
| ·引言 | 第99-100页 |
| ·自组织模块化神经网络结构 | 第100-103页 |
| ·连接机制和工作机制 | 第100-102页 |
| ·子网络 | 第102-103页 |
| ·自组织模块化神经网络结构设计 | 第103-114页 |
| ·在线辨识 RBF 神经元参数 | 第103-106页 |
| ·输入数据在线标准化处理 | 第106-107页 |
| ·子网络参数在线学习 | 第107-109页 |
| ·子网络结构在线调整 | 第109-112页 |
| ·子网络输出动态集成 | 第112-114页 |
| ·自组织模块化神经网络学习算法 | 第114-119页 |
| ·学习算法和时间复杂度 | 第114-117页 |
| ·收敛性分析 | 第117-119页 |
| ·实验与分析 | 第119-132页 |
| ·时变混沌时间序列预测 | 第119-126页 |
| ·非线性时变系统辨识 | 第126-128页 |
| ·污水处理出水水质关键参数在线建模 | 第128-132页 |
| ·本章小结 | 第132-135页 |
| 第7章 总结与展望 | 第135-139页 |
| 参考文献 | 第139-147页 |
| 攻读博士学位期间的成果 | 第147-148页 |
| 攻读博士学位期间参与的科研项目 | 第148-149页 |
| 致谢 | 第149页 |