| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-19页 |
| ·人工神经网络概述 | 第9-12页 |
| ·人工神经网络的发展史 | 第9-10页 |
| ·人工神经网络的模型 | 第10-11页 |
| ·神经网络的学习规则 | 第11-12页 |
| ·训练前馈神经网络的梯度算法 | 第12-16页 |
| ·批处理梯度算法和在线梯度算法 | 第12-13页 |
| ·带惩罚项的梯度算法 | 第13-14页 |
| ·带动量项的梯度算法 | 第14-15页 |
| ·梯度算法的一些收敛性结果 | 第15-16页 |
| ·训练复数值神经网络的梯度算法 | 第16页 |
| ·本文的主要工作 | 第16-19页 |
| 2 具有sigmoid输出层前馈神经网络的带惩罚项在线梯度算法 | 第19-29页 |
| ·背景介绍 | 第19-20页 |
| ·网络结构和学习算法 | 第20-21页 |
| ·主要结论 | 第21-23页 |
| ·证明 | 第23-26页 |
| ·数值试验 | 第26-29页 |
| 3 具有线性输出层前馈神经网络的带惩罚项在线梯度算法 | 第29-37页 |
| ·网络结构和学习算法 | 第29-30页 |
| ·主要结果 | 第30-32页 |
| ·证明 | 第32-37页 |
| 4 前馈神经网络的带惩罚项批处理梯度算法 | 第37-45页 |
| ·带惩罚项的批处理梯度算法 | 第37-38页 |
| ·一个已有的收敛性结果 | 第38-39页 |
| ·主要结果 | 第39-45页 |
| 5 复数值前馈神经网络的批处理梯度算法 | 第45-61页 |
| ·背景介绍 | 第45页 |
| ·网络结构及学习算法 | 第45-49页 |
| ·主要结果 | 第49页 |
| ·数值试验 | 第49-50页 |
| ·引理及定理证明 | 第50-61页 |
| 6 复数值前馈神经网络的带动量项批处理梯度算法 | 第61-75页 |
| ·背景介绍 | 第61页 |
| ·网络结构与训练算法 | 第61-62页 |
| ·主要结果 | 第62-63页 |
| ·数值例子 | 第63-64页 |
| ·证明 | 第64-75页 |
| 7 一种具有自适应动量因子的BP算法 | 第75-81页 |
| ·背景介绍 | 第75页 |
| ·算法描述 | 第75-78页 |
| ·带动量项的批处理BP算法 | 第76页 |
| ·带动量项的在线BP算法 | 第76-77页 |
| ·一种自适应动量因子的BP算法 | 第77-78页 |
| ·试验结果 | 第78-81页 |
| ·逼近问题 | 第78-79页 |
| ·4-维奇偶问题 | 第79-81页 |
| ·批处理学习 | 第79页 |
| ·在线学习 | 第79-81页 |
| 结论 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 攻读博士学位期间学术论文完成情况 | 第87-89页 |
| 致谢 | 第89-91页 |
| 作者简介 | 第91-93页 |