| 摘要 | 第1-7页 |
| Abstract | 第7-14页 |
| 第一部分 PCA神经网络学习算法研究 | 第14-100页 |
| 第一章 概述 | 第14-20页 |
| ·引言 | 第14页 |
| ·主分量分析(PCA) | 第14-15页 |
| ·PCA神经网络 | 第15-18页 |
| ·PCA神经网络学习算法的收敛性研究方法 | 第16-17页 |
| ·PCA神经网络在线仿真数据集 | 第17-18页 |
| ·本部分研究内容 | 第18-19页 |
| ·小结 | 第19-20页 |
| 第二章 常数学习速率的LMSERPCA学习算法 | 第20-38页 |
| ·引言 | 第20页 |
| ·LMSER PCA算法的收敛性分析 | 第20-32页 |
| ·分析准备 | 第20-22页 |
| ·算法的不变集与最终界 | 第22-24页 |
| ·算法的局部收敛性 | 第24-32页 |
| ·结果仿真与讨论 | 第32-35页 |
| ·LMSER PCA算法的收敛性 | 第32-33页 |
| ·LMSER PCA算法与Oja PCA算法的比较 | 第33-35页 |
| ·DDT方法的推广 | 第35-37页 |
| ·Oja+MCA算法的收敛性分析 | 第36页 |
| ·Chauvin PCA算法的收敛性分析 | 第36-37页 |
| ·小结 | 第37-38页 |
| 第三章 自适应学习速率的Oja PCA学习算法 | 第38-55页 |
| ·引言 | 第38-41页 |
| ·自适应学习速率 | 第38-39页 |
| ·DDT算法 | 第39-41页 |
| ·收敛性分析 | 第41-48页 |
| ·算法的有界性 | 第41-43页 |
| ·算法的全局收敛性 | 第43-48页 |
| ·结果仿真 | 第48-52页 |
| ·离线情形仿真 | 第48-50页 |
| ·在线情形仿真 | 第50-52页 |
| ·自适应学习速率的推广 | 第52-54页 |
| ·自适应学习速率的Oja+MCA算法 | 第52-54页 |
| ·一种改进的PCA学习算法 | 第54页 |
| ·小结 | 第54-55页 |
| 第四章 GHA学习算法研究 | 第55-84页 |
| ·引言 | 第55-56页 |
| ·GHA学习算法的收敛性问题 | 第56-72页 |
| ·全局收敛性证明 | 第56-69页 |
| ·结果仿真 | 第69-72页 |
| ·确定GHA算法中的主分量方向数量 | 第72-81页 |
| ·数据集的实质维 | 第73页 |
| ·改进的GHA PCA模型 | 第73-74页 |
| ·算法实现 | 第74-76页 |
| ·算法属性分析 | 第76-79页 |
| ·结果仿真 | 第79-81页 |
| ·小结 | 第81-84页 |
| 第五章 PCA,MCA学习算法的混沌现象 | 第84-94页 |
| ·引言 | 第84页 |
| ·LMSER PCA算法的混沌现象 | 第84-88页 |
| ·局部稳定性 | 第85-86页 |
| ·不变集与混沌现象 | 第86-88页 |
| ·一种MCA学习算法的混沌现象 | 第88-93页 |
| ·算法的不变集 | 第89-91页 |
| ·稳定性和混沌现象 | 第91-93页 |
| ·小结 | 第93-94页 |
| 第六章 PCA神经网络在医学图像配准中的应用 | 第94-100页 |
| ·引言 | 第94页 |
| ·配准方法 | 第94-98页 |
| ·特征提取 | 第94-95页 |
| ·计算旋转角度 | 第95-97页 |
| ·计算平移距离 | 第97-98页 |
| ·结果仿真 | 第98-99页 |
| ·NIR-MR配准 | 第98页 |
| ·CT-MR配准 | 第98-99页 |
| ·小结 | 第99-100页 |
| 第二部分 支持向量机(SVM)的研究 | 第100-136页 |
| 第七章 概述 | 第100-103页 |
| ·引言 | 第100页 |
| ·支持向量机(SVM) | 第100-101页 |
| ·SVM存在的问题 | 第101-102页 |
| ·大数据样本带来的问题 | 第101页 |
| ·SVM对噪声的敏感性问题 | 第101-102页 |
| ·本部分的研究内容 | 第102页 |
| ·小结 | 第102-103页 |
| 第八章 SVM的分解方法SMO研究 | 第103-113页 |
| ·引言 | 第103页 |
| ·改进的SMO的工作集选择 | 第103-105页 |
| ·简化的最小化过程 | 第105-106页 |
| ·SMO的收敛性 | 第106-112页 |
| ·小结 | 第112-113页 |
| 第九章 选择支持向量子集的新方法—PCNN | 第113-127页 |
| ·引言 | 第113页 |
| ·选择一个候选SV子集方法 | 第113-115页 |
| ·一个理想的候选子集 | 第113-114页 |
| ·选择SV子集的基本思路 | 第114-115页 |
| ·PCNN模型 | 第115-119页 |
| ·PCNN选择SV子集 | 第119-122页 |
| ·子集选择方法 | 第119-120页 |
| ·PCNN算法 | 第120-122页 |
| ·结果仿真 | 第122-124页 |
| ·小结 | 第124-127页 |
| 第十章 一种新的模糊SVM | 第127-136页 |
| ·引言 | 第127页 |
| ·模糊SVM | 第127-128页 |
| ·一个新的用于非线性SVM的模糊从属关系函数 | 第128-129页 |
| ·结果仿真 | 第129-133页 |
| ·人工数据仿真 | 第130-132页 |
| ·真实数据仿真 | 第132-133页 |
| ·小结 | 第133-136页 |
| 第三部分 回复式神经网络的研究 | 第136-154页 |
| 第十一章 概述 | 第136-138页 |
| ·引言 | 第136页 |
| ·回复式网络的收敛特性 | 第136-137页 |
| ·回复式网络的时滞特性 | 第137页 |
| ·本部分研究内容 | 第137页 |
| ·小结 | 第137-138页 |
| 第十二章 一类时变输入的变时滞回复式神经网络 | 第138-154页 |
| ·引言 | 第138-139页 |
| ·一些准备 | 第139-141页 |
| ·收敛性分析 | 第141-151页 |
| ·结果仿真 | 第151-153页 |
| ·时变输入常时滞仿真 | 第151-152页 |
| ·时变输入变时滞仿真 | 第152-153页 |
| ·小结 | 第153-154页 |
| 全文总结 | 第154-156页 |
| 参考文献 | 第156-168页 |
| 致谢 | 第168-169页 |
| 附录A 攻读博士学位期间发表论文情况 | 第169-172页 |
| 附录B 攻读博士学位期间科研与学术活动情况 | 第172页 |