作者简介 | 第1-6页 |
摘要 | 第6-8页 |
ABSTRACT | 第8-12页 |
第一章 绪论 | 第12-28页 |
§1.1 研究的背景和意义 | 第12-14页 |
§1.2 差分进化算法的研究进展 | 第14-18页 |
§1.3 进化神经网络的研究现状 | 第18-23页 |
§1.4 Integrate-and-Fire 神经网络与细胞神经网络的研究现状 | 第23-25页 |
§1.5 本文的主要工作和内容安排 | 第25-28页 |
第二章 嵌入正交杂交和局部搜索的差分进化算法 | 第28-46页 |
§2.1 引言 | 第28-29页 |
§2.2 全局优化问题 | 第29页 |
§2.3 嵌入正交杂交和局部搜索的差分进化算法 | 第29-35页 |
§2.4 数值实验 | 第35-45页 |
§2.5 本章小结 | 第45-46页 |
第三章 协同二进制—实数差分进化算法 | 第46-64页 |
§3.1 引言 | 第46-47页 |
§3.2 混合整数非线性规划问题 | 第47页 |
§3.3 协同二进制—实数差分进化算法 | 第47-51页 |
§3.4 数值实验及结果 | 第51-62页 |
§3.5 本章小结 | 第62-64页 |
第四章 正交离散差分进化算法 | 第64-76页 |
§4.1 引言 | 第64页 |
§4.2 二进制—整数非线性规划问题 | 第64-65页 |
§4.3 正交离散差分进化算法 | 第65-69页 |
§4.4 数值实验及比较 | 第69-75页 |
§4.5 本章小结 | 第75-76页 |
第五章 一种结合正交 DE 和 LM 算法的混合训练算法优化前馈神经网络的权值 | 第76-92页 |
§5.1 引言 | 第76-77页 |
§5.2 前馈神经网络的描述 | 第77-78页 |
§5.3 结合正交 DE 和 LM 算法的混合训练算法 | 第78-82页 |
§5.4 仿真实验 | 第82-91页 |
§5.5 本章小结 | 第91-92页 |
第六章 一种两阶段算法优化前馈神经网络的结构和权值 | 第92-112页 |
§6.1 引言 | 第92-93页 |
§6.2 前馈神经网络的矩阵和向量描述 | 第93页 |
§6.3 两阶段训练算法 | 第93-101页 |
§6.4 仿真实验 | 第101-110页 |
§6.5 本章小结 | 第110-112页 |
第七章 协同二进制—整数差分进化算法进化神经网络的结构和整数权值 | 第112-124页 |
§7.1 引言 | 第112页 |
§7.2 训练整数权值神经网络的协同二进制—整数 DE 算法 | 第112-118页 |
§7.3 实验与分析 | 第118-123页 |
§7.4 本章小结 | 第123-124页 |
第八章 Integrate-and-Fire 神经网络的点火特征 | 第124-144页 |
§8.1 引言 | 第124-126页 |
§8.2 IF 神经元模型及其同步发放脉冲的特性 | 第126-130页 |
§8.3 指数衰减阈值对 IF 神经元点火统计特性的影响 | 第130-135页 |
§8.4 简化的 IF 模型及其点火特性 | 第135-142页 |
§8.5 本章小结 | 第142-144页 |
第九章 IF 神经元的条件反射行为及在图像处理中的应用 | 第144-156页 |
§9.1 引言 | 第144-145页 |
§9.2 IF 神经元模型 | 第145-151页 |
§9.3 基于部分重设的 IF 神经网络及其在图像分割中的应用 | 第151-154页 |
§9.4 本章小结 | 第154-156页 |
第十章 一种自反馈细胞神经网络的稳定性分析及其在函数优化中的应用 | 第156-164页 |
§10.1 引言 | 第156-157页 |
§10.2 细胞神经网络模型 | 第157页 |
§10.3 一种新的细胞神经网络模型 | 第157-158页 |
§10.4 新的细胞神经网络的稳定性分析 | 第158-159页 |
§10.5 单个细胞神经元的动态特性 | 第159-160页 |
§10.6 细胞神经网络在函数优化中的应用 | 第160-162页 |
§10.7 本章小结 | 第162-164页 |
第十一章 总结与展望 | 第164-166页 |
§11.1 本文主要研究工作 | 第164-165页 |
§11.2 需要进一步研究的问题 | 第165-166页 |
致谢 | 第166-168页 |
参考文献 | 第168-182页 |
攻读博士学位期间的科研成果 | 第182-184页 |