| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 课题的研究背景及意义 | 第8-9页 |
| 1.2 本文的主要内容与工作成果 | 第9页 |
| 1.3 本文的组织结构 | 第9-11页 |
| 第二章 权函数神经网络与复杂度知识介绍 | 第11-20页 |
| 2.1 人工神经网络简介 | 第11-14页 |
| 2.1.1 人工神经网络概述 | 第11页 |
| 2.1.2 人工神经元模型 | 第11-12页 |
| 2.1.3 人工神经网络的拓扑结构 | 第12页 |
| 2.1.4 人工神经网络的学习规则 | 第12-13页 |
| 2.1.5 常见的神经网络 | 第13-14页 |
| 2.2 权函数神经网络 | 第14-17页 |
| 2.2.1 权函数神经网络基础知识 | 第14-16页 |
| 2.2.2 权函数神经网络的拓扑结构 | 第16-17页 |
| 2.3 算法复杂度的研究 | 第17-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 第二类 Padé权函数神经网络的算法复杂度研究 | 第20-43页 |
| 3.1 第二类 Padé权函数神经网络的拓扑结构及训练算法 | 第20-24页 |
| 3.1.1 第二类 Padé权函数神经网络的拓扑结构 | 第20页 |
| 3.1.2 Newton 插值 | 第20-21页 |
| 3.1.3 第二类 Padé权函数神经网络的训练算法 | 第21-24页 |
| 3.2 第二类 Padé权函数神经网络误差分析 | 第24-28页 |
| 3.3 复杂度理论分析 | 第28-36页 |
| 3.3.1 Padé逼近理论 | 第29-30页 |
| 3.3.2 计算牛顿插值多项式复杂度 | 第30页 |
| 3.3.3 计算 Padé逼近有理式复杂度 | 第30-36页 |
| 3.3.4 计算 Padé权函数神经网络算法的时间复杂度 | 第36页 |
| 3.4 复杂度实验 | 第36-42页 |
| 3.4.1 实验环境 | 第36-37页 |
| 3.4.2 实验过程与结果分析 | 第37-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 第二类 Padé权函数神经网络在邮件分类技术中的应用 | 第43-55页 |
| 4.1 数据挖掘与分类算法相关知识 | 第43-47页 |
| 4.1.1 数据挖掘概述 | 第43-44页 |
| 4.1.2 分类算法 | 第44-45页 |
| 4.1.3 主要的分类算法 | 第45-47页 |
| 4.2 反垃圾邮件技术概述 | 第47-50页 |
| 4.2.1 反垃圾邮件技术背景 | 第47页 |
| 4.2.2 反垃圾邮件技术的意义 | 第47-48页 |
| 4.2.3 反垃圾邮件技术介绍 | 第48-50页 |
| 4.3 数据来源 | 第50-54页 |
| 4.3.1 特征项的选择 | 第50-51页 |
| 4.3.2 数据预处理 | 第51页 |
| 4.3.3 基于第二类 Padé权函数神经网络的邮件分类器的实现 | 第51-52页 |
| 4.3.4 仿真实验 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 附录 1 程序清单 | 第60-61页 |
| 附录 2 攻读硕士学位期间撰写的论文 | 第61-62页 |
| 致谢 | 第62页 |
