| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景及意义 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-14页 |
| 1.3.1 ART2 网络研究 | 第11-13页 |
| 1.3.2 时序问题处理技术综述 | 第13-14页 |
| 1.3.3 认知科学 | 第14页 |
| 1.4 本文的主要研究内容及组织结构 | 第14-16页 |
| 第2章 ART2 网络结构及工作原理 | 第16-23页 |
| 2.1 ART2 网络结构 | 第16-21页 |
| 2.1.1 F_1 比较层 | 第17-19页 |
| 2.1.2 F_2 识别层 | 第19页 |
| 2.1.3 调整子系统 | 第19-20页 |
| 2.1.4 长期记忆值的更新规则 | 第20页 |
| 2.1.5 ART2 网络参数初始化 | 第20-21页 |
| 2.2 ART2 网络工作原理 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 影响 ART2 网络性能的几个问题及改进研究 | 第23-41页 |
| 3.1 基于广义相似度的阈值测试机制研究 | 第23-26页 |
| 3.1.1 原理介绍及算法步骤 | 第23-25页 |
| 3.1.2 实验模拟及结果分析 | 第25-26页 |
| 3.2 基于半监督学习的 ART2 训练方法研究 | 第26-33页 |
| 3.2.1 原理介绍及算法步骤 | 第27-31页 |
| 3.2.2 实验模拟及结果分析 | 第31-33页 |
| 3.3 基于抗漂移的 ART2 权值修正方法研究 | 第33-39页 |
| 3.3.1 基于置信度的抗漂移权值修正方法 | 第33-35页 |
| 3.3.2 基于长短时记忆的抗漂移权值修正方法 | 第35-37页 |
| 3.3.3 实验对比分析 | 第37-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第4章 基于认知机理的 ART2 网络深度学习研究 | 第41-50页 |
| 4.1 记忆遗忘与转化模型 | 第41-43页 |
| 4.2 基于认知机理的 ART2 新类检测技术研究 | 第43-47页 |
| 4.2.1 新类检测原理介绍及算法 | 第43-45页 |
| 4.2.2 实验模拟研究及结果分析 | 第45-47页 |
| 4.3 基于认知机理的 ART2 获胜机制研究 | 第47-49页 |
| 4.3.1 改进 ART2 获胜机制原理介绍及算法 | 第47-48页 |
| 4.3.2 实验模拟研究及结果分析 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 基于 TANN 和 ART2 的深度学习系统 | 第50-64页 |
| 5.1 TANN 原理介绍 | 第50-56页 |
| 5.1.1 时间集成 | 第50-52页 |
| 5.1.2 帧间集成 | 第52-54页 |
| 5.1.3 TANN 网络模型 | 第54-56页 |
| 5.2 深度学习系统 TANN-ART2 的构建 | 第56-60页 |
| 5.2.1 TANN-ART2 原理简介 | 第56-58页 |
| 5.2.2 TANN-ART2 工作流程图 | 第58-60页 |
| 5.3 TANN-ART2 深度网络学习与测试 | 第60-63页 |
| 5.3.1 实验语料 | 第60页 |
| 5.3.2 实验设计 | 第60-61页 |
| 5.3.3 实验结果分析 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第70-72页 |
| 致谢 | 第72页 |
