中文摘要 | 第3-4页 |
英文摘要 | 第4-5页 |
1 绪论 | 第8-14页 |
1.1 研究背景与意义 | 第8页 |
1.2 RBF神经网络的研究 | 第8-11页 |
1.2.1 RBF神经网络结构优化算法的比较 | 第8-9页 |
1.2.2 常用的顺序局部增量式学习算法研究现状 | 第9-11页 |
1.3 神经网络的应用 | 第11-13页 |
1.4 研究内容与论文结构 | 第13-14页 |
2 径向基函数神经网络 | 第14-24页 |
2.1 神经网络概述 | 第14-19页 |
2.1.1 神经元模型 | 第14-17页 |
2.1.2 神经网络模型 | 第17-19页 |
2.2 径向基函数神经网络 | 第19-23页 |
2.2.1 RBF网络结构 | 第19-21页 |
2.2.2 RBF网络学习算法 | 第21-22页 |
2.2.3 最小均方算法 | 第22-23页 |
2.3 本章小结 | 第23-24页 |
3 三种自增长自消减神经网络 | 第24-42页 |
3.1 RAN、MRAN与GAP-RBF概述 | 第24-31页 |
3.1.1 RAN资源分配网络 | 第24-27页 |
3.1.2 MRAN最小资源分配网络 | 第27-29页 |
3.1.3 GAP-RBF算法 | 第29-31页 |
3.2 算法分析 | 第31-33页 |
3.2.1 时间复杂度 | 第31-32页 |
3.2.2 空间复杂度 | 第32-33页 |
3.3 BP神经网络相对于RBF网络的不足 | 第33-34页 |
3.4 自增长自消减神经网络在逼近Hermite多项式中的应用 | 第34-37页 |
3.5 自增长自消减神经网络在Mackey-Glass时间序列预测上的应用 | 第37-41页 |
3.6 三种算法应用比较 | 第41页 |
3.7 本章小结 | 第41-42页 |
4 沿墙导航控制器的设计 | 第42-48页 |
4.1 Khepera II机器人 | 第42-45页 |
4.1.1 Khepera II机器人概述 | 第42-44页 |
4.1.2 差动驱动机器人的运动学特征 | 第44-45页 |
4.2 RBF神经网络控制器 | 第45-47页 |
4.2.1 内生控制器的设计实现 | 第45页 |
4.2.2 RBF神经网络控制器原理 | 第45-46页 |
4.2.3 RBF神经网络控制器的设计 | 第46-47页 |
4.3 本章小结 | 第47-48页 |
5 实验及分析 | 第48-66页 |
5.1 实验场景 | 第48-51页 |
5.1.1 仿真实验场景 | 第48-49页 |
5.1.2 实时实验场景 | 第49-51页 |
5.2 样本点采集 | 第51-52页 |
5.3 仿真实验 | 第52-57页 |
5.4 实时实验 | 第57-64页 |
5.5 本章小结 | 第64-66页 |
6 总结与展望 | 第66-68页 |
致谢 | 第68-70页 |
参考文献 | 第70-74页 |