| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-9页 |
| 第二章 RBF 网的基本理论 | 第9-12页 |
| ·RBF 神经网络的发展历程 | 第9页 |
| ·RBF 网络拓扑结构 | 第9-10页 |
| ·RBF 网络的理论基础 | 第10-12页 |
| 第三章 基本的RBF 网络学习算法 | 第12-33页 |
| ·RBF 网络学习算法综述 | 第12-14页 |
| ·常用的几种学习方法 | 第14-33页 |
| ·梯度下降法 | 第14-17页 |
| ·基于遗传算法的RBF 学习方法 | 第17页 |
| ·基于反复迭代的RBF 学习方法 | 第17-18页 |
| ·基于k －均值聚类的RBF 学习方法 | 第18-19页 |
| ·基于正交最小二乘法OLS 的RBF 学习方法 | 第19-22页 |
| ·基于动态均值聚类的RBF 学习方法 | 第22-25页 |
| ·RAN 算法 | 第25-26页 |
| ·RAN－EKF 算法 | 第26-27页 |
| ·MRAN 算法 | 第27-28页 |
| ·GAP-RBF 串行学习算法 | 第28-33页 |
| 第四章 KALMAN 和分布KALMAN 滤波基本原理及其性质 | 第33-46页 |
| ·KALMAN 滤波的基本原理 | 第33-41页 |
| ·分布式卡尔曼虑波 | 第41-44页 |
| ·KAIMAN滤波的性质 | 第44-46页 |
| 第五章 改进的RBF 网及其学习方法 | 第46-53页 |
| ·在RBF 网络中DEKF 替换EKF 的介绍 | 第46-49页 |
| ·用于DRBF 的DEKF 算法 | 第49-50页 |
| ·改进的GAP-RBF 学习算法 | 第50-53页 |
| 第六章 改进的GAP-RBF 网在函数模拟中的应用 | 第53-57页 |
| ·SINE 函数模拟 | 第53-55页 |
| ·总结 | 第55-57页 |
| 第七章 结论与展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 研究成果 | 第63页 |