| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-10页 |
| CONTENTS | 第10-14页 |
| 第一章 绪论 | 第14-22页 |
| ·研究背景及选题意义 | 第14-16页 |
| ·国内外相关领域的研究现状 | 第16-20页 |
| ·神经网络结构优化方法的研究情况 | 第16-18页 |
| ·生物进化计算优化神经网络结构的研究情况 | 第18-20页 |
| ·本文研究的主要内容与创新 | 第20-21页 |
| ·本文的组织 | 第21-22页 |
| 第二章 神经网络与进化理论基础 | 第22-35页 |
| ·神经网络概述 | 第22-28页 |
| ·神经网络的发展与应用 | 第22-23页 |
| ·人工神经元模型 | 第23-25页 |
| ·网络结构及工作方式 | 第25-26页 |
| ·神经网络的学习方式 | 第26页 |
| ·神经网络的学习算法 | 第26-28页 |
| ·学习与自适应 | 第28页 |
| ·模拟进化计算概述 | 第28-35页 |
| ·模拟进化计算的一般框架 | 第28-31页 |
| ·遗传算法介绍(GA) | 第31-33页 |
| ·进化策略(ES)介绍 | 第33-35页 |
| 第三章 复杂性度量策略下的神经网络结构优化研究 | 第35-50页 |
| ·传统神经网络学习算法的特点与结构优化算法改进的必要 | 第35-38页 |
| ·函数逼近的BP神经网络的结构复杂性和样本复杂性对神经网络泛化能力的影响 | 第35-36页 |
| ·改进的必要性 | 第36-38页 |
| ·改进之一:改进LMBP算法 | 第38-42页 |
| ·LM算法介绍 | 第38-39页 |
| ·对LMBP算法的改进 | 第39-42页 |
| ·改进之二:样本复杂性的度量 | 第42-45页 |
| ·样本复杂性度量的方式 | 第42页 |
| ·样本复杂性度量的Fourier分析 | 第42-45页 |
| ·复杂度预测后神经网络结构优化算法的流程图 | 第45-46页 |
| ·实验仿真与结果分析 | 第46-49页 |
| ·改进的LMBP算法仿真实验 | 第46-48页 |
| ·复杂度测量的实验与仿真 | 第48-49页 |
| 3 6 小结 | 第49-50页 |
| 第四章 进化计算优化神经网络结构的研究 | 第50-74页 |
| ·进化计算用于优化神经网络结构中要解决的几个问题 | 第50-53页 |
| ·编码问题 | 第50-51页 |
| ·交换问题 | 第51页 |
| ·变异问题 | 第51-52页 |
| ·适应度设计与网络优良程度检验的问题 | 第52-53页 |
| ·共生并行遗传算法优化神经网络结构的设计 | 第53-73页 |
| ·共生并行遗传算法的介绍 | 第53页 |
| ·优化神经网络结构的共生并行遗传算法的描述 | 第53-57页 |
| ·优化神经网络结构的共生并行遗传算法的框架 | 第57-58页 |
| ·优化神经网络结构的共生并行遗传算法在MatLab上的实现 | 第58-72页 |
| ·仿真实验分析 | 第72-73页 |
| ·小结 | 第73-74页 |
| 总结与展望 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 攻读硕士学位期间发表的论文 | 第78-80页 |
| 致谢 | 第80页 |
