| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·研究背景 | 第7-8页 |
| ·研究现状 | 第8-9页 |
| ·研究意义与目标 | 第9-10页 |
| ·论文结构 | 第10-11页 |
| 第二章 典型相关分析的神经网络 | 第11-17页 |
| ·典型相关分析(canonical correlation analysis) | 第11-13页 |
| ·统计学的典型相关分析 | 第13-14页 |
| ·典型相关分析的神经网络 | 第14-17页 |
| 第三章 自组织特征映射神经网络 | 第17-27页 |
| ·引言 | 第17页 |
| ·KOHONEN 模型 | 第17-18页 |
| ·自组织特征映射网络SOM 模型 | 第18-25页 |
| ·基本概念 | 第18-20页 |
| ·SOM 算法介绍 | 第20-22页 |
| ·具有代表性的改进的自组织网络 | 第22-24页 |
| ·SOM 网络的主要应用 | 第24-25页 |
| ·本章小结 | 第25-27页 |
| 第四章 基于VORONOI 距离的鲁棒的双自组织特征映射网络 | 第27-34页 |
| ·引言 | 第27页 |
| ·双SOM 算法介绍 | 第27-28页 |
| ·改进后的双自组织特征映射网络 | 第28-30页 |
| ·基本概念 | 第28页 |
| ·响应（竞争） | 第28页 |
| ·Voronoi 距离 | 第28-29页 |
| ·广义P 范式距离 | 第29-30页 |
| ·改进后的双自组织特征映射网络算法 | 第30页 |
| ·实验结果 | 第30-33页 |
| ·平均绝对百分误差 | 第30页 |
| ·SOM 网络的自联想功能 | 第30-31页 |
| ·噪声数据的实验 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第五章 基于核方法的双自组织特征映射网络 | 第34-41页 |
| ·引言 | 第34页 |
| ·核方法 | 第34-36页 |
| ·核方法的基本原理 | 第34页 |
| ·内积及希尔伯特空间 | 第34-35页 |
| ·Mercer 核 | 第35页 |
| ·核函数的定义 | 第35-36页 |
| ·基于核的双KSOM 算法 | 第36-40页 |
| ·算法的推导 | 第36-37页 |
| ·基于核的双SOM 算法 | 第37页 |
| ·基于核的双自组织特征映射网络的预测实验 | 第37-40页 |
| ·本章小结 | 第40-41页 |
| 第六章 基于MAHALANOBIS DISTANCE 核的双自组织特征映射网络 | 第41-48页 |
| ·MAHALANOBIS DISTANCE | 第41-45页 |
| ·Mahalanobis 距离 | 第41页 |
| ·马氏距离算法的构建 | 第41-42页 |
| ·算法步骤 | 第42-43页 |
| ·相关实验 | 第43-45页 |
| ·MAHALANOBIS DISTANCE 核方法 | 第45-47页 |
| ·Mahalanobis Distance 核方法引入 | 第45页 |
| ·基于Mahalanobis Distance 核方法的算法介绍 | 第45-46页 |
| ·实验 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第七章 总结与展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第54页 |
