| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-17页 |
| ·人工神经网络的发展 | 第8-9页 |
| ·人工神经网络研究现状 | 第9-10页 |
| ·几种代表性神经网络模型介绍 | 第10-15页 |
| ·神经元模型简介 | 第10-11页 |
| ·反向传播（BP）网络 | 第11-12页 |
| ·RBF 神经网络 | 第12-13页 |
| ·Hopfield 网络 | 第13-14页 |
| ·自组织神经网络 | 第14页 |
| ·广义回归神经网络 | 第14-15页 |
| ·本文的主要研究内容 | 第15页 |
| ·本文的章节安排 | 第15-17页 |
| 第二章 SOM 网络及其改进在模式分类中的应用 | 第17-32页 |
| ·SOM 网络概述 | 第17-18页 |
| ·竞争学习 | 第18-19页 |
| ·聚类依据与相似性测量 | 第18页 |
| ·竞争学习规则 | 第18-19页 |
| ·SOM 网络的拓扑结构 | 第19-20页 |
| ·SOM 网络的学习过程 | 第20-21页 |
| ·基于核函数方法改进的SOM 网络 | 第21-28页 |
| ·核函数方法原理 | 第22页 |
| ·基于核函数的SOM（KSOM）网络算法 | 第22-23页 |
| ·实验与讨论 | 第23-28页 |
| ·基于混合核函数的SOM 网络 | 第28-31页 |
| ·混合核函数 | 第28页 |
| ·基于混合核函数的SOM（HKSOM）网络算法 | 第28-29页 |
| ·实验与讨论 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 广义回归网络及其改进在模式分类中的应用 | 第32-42页 |
| ·广义回归神经网络(GRNN) | 第32-34页 |
| ·GRNN 的理论基础 | 第32-33页 |
| ·GRNN 的网络结构 | 第33-34页 |
| ·粒子群优化(PSO)算法 | 第34-36页 |
| ·PSO 算法简介 | 第34页 |
| ·PSO 算法基本原理 | 第34-35页 |
| ·PSO 算法流程 | 第35页 |
| ·与其他进化算法的比较 | 第35-36页 |
| ·PSO 算法对GRNN 参数的优化 | 第36-37页 |
| ·实验与讨论 | 第37-41页 |
| ·Iris 数据集实验比较 | 第37-38页 |
| ·Wine 数据集实验比较 | 第38-39页 |
| ·遥感图像数据实验比较 | 第39-41页 |
| ·实验结果分析 | 第41页 |
| ·本章小结 | 第41-42页 |
| 第四章 SOM 和GRNN 结合的混合神经网络模型研究 | 第42-48页 |
| ·混合神经网络模型的提出 | 第42页 |
| ·SOM 和GRNN 结合的混合神经网络 | 第42-45页 |
| ·混合模型学习过程 | 第42-43页 |
| ·混合模型算法步骤 | 第43-45页 |
| ·实验与讨论 | 第45-47页 |
| ·Iris 数据集实验比较 | 第45页 |
| ·Wine 数据集实验比较 | 第45-46页 |
| ·遥感图像数据实验比较 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| ·本文工作总结 | 第48页 |
| ·今后工作展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第55页 |