| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第7-11页 |
| ·神经网络与模式识别 | 第7-8页 |
| ·PNN 国内外研究动态 | 第8-9页 |
| ·本课题研究内容 | 第9-11页 |
| ·研究内容 | 第9页 |
| ·创新点 | 第9-11页 |
| 第二章 PNN拓扑结构 | 第11-16页 |
| ·贝叶斯决策和密度函数核估计 | 第11-12页 |
| ·PNN 的几种典型的拓扑结构 | 第12-16页 |
| ·基于密度函数核估计的PNN 结构 | 第12-13页 |
| ·基于密度函数混合高斯分布估计的PNN 结构 | 第13-16页 |
| 第三章 PNN的几种学习算法 | 第16-25页 |
| ·LVQ 算法 | 第16-17页 |
| ·FCM 算法 | 第17-19页 |
| ·GF 算法 | 第19-25页 |
| 第四章 一种新的PNN有监督学习算法 | 第25-38页 |
| ·遗传算法简介 | 第25-29页 |
| ·PNN 各要素分析及基于PNN 的XOR 问题实现 | 第29-31页 |
| ·基于遗传算法的有监督学习 | 第31-33页 |
| ·实验 | 第33-38页 |
| ·基于PNN 的分类 | 第33-34页 |
| ·基于遗传算法的有监督学习算法与其它无监督学习算法的比较 | 第34-35页 |
| ·PNN 各要素分析 | 第35-38页 |
| 第五章 PNN中推广能力、测试集正确率、误判概率三者的关系 | 第38-44页 |
| ·PNN 决策函数逼近贝叶斯决策函数的证明 | 第38-39页 |
| ·网络推广能力测试集正确率和误判概率的关系 | 第39-44页 |
| 第六章 结论 | 第44-45页 |
| 致献 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 作者在学期间取得的学术成果 | 第49页 |
