| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-13页 |
| 1 绪论 | 第13-16页 |
| ·研究背景及意义 | 第13页 |
| ·国内外研究现状 | 第13-15页 |
| ·早期的神经网络发展 | 第13-14页 |
| ·近期研究 | 第14-15页 |
| ·本文主要工作和结构 | 第15-16页 |
| 2 随机权网络算法及其改进 | 第16-20页 |
| ·引言 | 第16页 |
| ·随机权网络 | 第16-18页 |
| ·正则化随机权网络 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 3 基于随机权网络的l_2-l_1正则化学习算法研究 | 第20-37页 |
| ·引言 | 第20页 |
| ·预备知识 | 第20-22页 |
| ·基于随机权网络的l_2-l_1正则化模型及算法 | 第22-29页 |
| ·基于l_2-l_1-NNRW的不动点迭代方法 | 第22-25页 |
| ·l_2-l_1-NNRW算法的收敛性 | 第25页 |
| ·l_2-l_1-NNRW的稀疏性 | 第25-26页 |
| ·l_2-l_1-NNRW的稳定性 | 第26-29页 |
| ·实验结果与分析 | 第29-36页 |
| ·基于UCI数据集的算法性能分析 | 第29-34页 |
| ·人脸识别应用 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 4 基于鲁棒建模的概率随机权网络算法研究 | 第37-54页 |
| ·引言 | 第37-38页 |
| ·概率鲁棒随机权网络方法 | 第38-42页 |
| ·鲁棒随机权网络模型 | 第38页 |
| ·鲁棒随机权网络的概率含义 | 第38-39页 |
| ·鲁棒随机权网络的模型重述 | 第39-40页 |
| ·PRNNRW算法设计 | 第40-42页 |
| ·实验结果与分析 | 第42-53页 |
| ·基于函数逼近的PRNNRW性能分析 | 第42-46页 |
| ·基于UCI数据库的回归应用 | 第46-49页 |
| ·基于UCI数据库的分类应用 | 第49-52页 |
| ·PRNNRW算法的统计分析比较 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 5 基于大样本数据的分布式近似牛顿型随机权网络算法研究 | 第54-67页 |
| ·引言 | 第54页 |
| ·基于大样本数据的分布式近似牛顿型随机权网络算法 | 第54-62页 |
| ·分布式近似牛顿型随机权网络迭代算法 | 第54-57页 |
| ·算法收敛性分析 | 第57-62页 |
| ·实验结果与分析 | 第62-66页 |
| ·本章小结 | 第66-67页 |
| 6 结论与展望 | 第67-69页 |
| ·研究总结 | 第67页 |
| ·进一步需要开展的工作 | 第67-69页 |
| 参考文献 | 第69-76页 |
| 作者简历 | 第76页 |