递归神经网络梯度学习算法的收敛性
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-24页 |
| ·神经网络概述 | 第10-15页 |
| ·神经网络特征 | 第11-12页 |
| ·神经网络结构 | 第12-13页 |
| ·神经网络学习方式 | 第13-14页 |
| ·神经网络研究内容 | 第14-15页 |
| ·前向神经网络 | 第15-19页 |
| ·多层感知网络 | 第15-17页 |
| ·径向基函数神经网络 | 第17-18页 |
| ·高阶神经网络 | 第18-19页 |
| ·递归神经网络 | 第19-21页 |
| ·全局递归神经网络 | 第19-20页 |
| ·局部递归神经网络 | 第20-21页 |
| ·本文的主要工作 | 第21-24页 |
| 2 全递归网络梯度学习算法的收敛性 | 第24-40页 |
| ·引言 | 第24-25页 |
| ·全递归神经网络 | 第25-26页 |
| ·用梯度学习算法训练FRNNs | 第26-29页 |
| ·主要收敛性结果 | 第29-30页 |
| ·数值试验 | 第30-32页 |
| ·引理及定理的证明 | 第32-40页 |
| 3 Elman网络梯度学习算法的收敛性 | 第40-50页 |
| ·引言 | 第40-41页 |
| ·Elman神经网络结构 | 第41-42页 |
| ·用梯度学习算法训练Elman网络 | 第42-44页 |
| ·收敛性定理及证明 | 第44-48页 |
| ·数值试验 | 第48-50页 |
| 4 Elman网络近似梯度算法的收敛性 | 第50-64页 |
| ·引言 | 第50-51页 |
| ·近似梯度学习算法 | 第51-54页 |
| ·主要引理 | 第54-57页 |
| ·主要定理 | 第57-61页 |
| ·数值试验 | 第61-64页 |
| 5 递归神经网络梯度学习算法的等价性 | 第64-74页 |
| ·引言 | 第64-65页 |
| ·RTRL算法 | 第65-67页 |
| ·BPTT算法 | 第67-68页 |
| ·重要引理 | 第68-70页 |
| ·等价性定理 | 第70-71页 |
| ·收敛性定理 | 第71-74页 |
| 6 递归神经网络改进学习算法的收敛性 | 第74-84页 |
| ·加入动量项 | 第74-78页 |
| ·加入惩罚项 | 第78-81页 |
| ·可变学习率 | 第81-84页 |
| 结论 | 第84-86页 |
| 参考文献 | 第86-92页 |
| 攻读博士学位期间学术论文完成情况 | 第92-94页 |
| 致谢 | 第94-96页 |
| 作者简介 | 第96-98页 |
