| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 神经网络的研究背景和意义 | 第9页 |
| 1.2 BP神经网络研究现状 | 第9-13页 |
| 1.2.1 神经元简介 | 第9-11页 |
| 1.2.2 BP神经网络算法原理 | 第11-12页 |
| 1.2.3 BP神经网络学习过程中应注意的问题 | 第12-13页 |
| 1.3 提高BP网络泛化能力的方法 | 第13-16页 |
| 1.3.1 网络结构优化方法 | 第14-15页 |
| 1.3.2 学习样本预处理 | 第15-16页 |
| 1.4 本文的主要内容 | 第16-17页 |
| 第2章 带惩罚项的BP神经网络 | 第17-22页 |
| 2.1 WEIGHT-DECAY简介 | 第17-18页 |
| 2.2 WEIGHT-ELIMINATION简介 | 第18-20页 |
| 2.3 COMBINATION OF WEIGHT-DECAY AND WEIGHT-ELIMINATION简介 | 第20-21页 |
| 2.4 基于信息熵构建惩罚项简介 | 第21-22页 |
| 第3章 信息理论学习与BP神经网络 | 第22-29页 |
| 3.1 熵、模糊熵和互信息 | 第23-24页 |
| 3.2 基于信息理论学习准则 | 第24-29页 |
| 第4章 基于信息理论的BP网络泛化能力研究 | 第29-34页 |
| 4.1 正则化技术 | 第29页 |
| 4.2 BP网络算法改进 | 第29-34页 |
| 4.2.1 BP算法改进思想 | 第30-31页 |
| 4.2.2 改进反向传播算法推导 | 第31-33页 |
| 4.2.3 改进反向传播算法实现 | 第33-34页 |
| 第5章 实验结果及分析 | 第34-38页 |
| 5.1 人工数据集上的实验结果 | 第34-35页 |
| 5.2 真实数据集上的实验结果 | 第35-38页 |
| 第6章 结论与展望 | 第38-40页 |
| 6.1 本文总结 | 第38页 |
| 6.2 工作展望 | 第38-40页 |
| 参考文献 | 第40-42页 |
| 致谢 | 第42-43页 |
| 攻读学位期间取得的科研成果 | 第43页 |