基于熵聚类的RBF神经网络训练算法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 1 引言 | 第10-16页 |
| ·课题研究的背景和意义 | 第10页 |
| ·国内外研究现状 | 第10-13页 |
| ·人工神经网络的发展现状 | 第10-12页 |
| ·径向基函数神经网络的发展 | 第12-13页 |
| ·熵与神经网络的研究现状 | 第13-14页 |
| ·本文研究的主要内容 | 第14-16页 |
| 2 径向基函数神经网络及其算法 | 第16-27页 |
| ·前馈神经网络 | 第16页 |
| ·RBF 神经网络原理 | 第16-19页 |
| ·RBF 与插值问题 | 第16-17页 |
| ·RBF 网络结构 | 第17-19页 |
| ·RBF 学习算法综述 | 第19-24页 |
| ·混合学习方法 | 第19-22页 |
| ·有监督学习 | 第22-24页 |
| ·正交最小二乘法(OLS) | 第24页 |
| ·RBF 神经网络的泛化能力 | 第24-26页 |
| ·样本质量和数量 | 第25页 |
| ·先验知识 | 第25-26页 |
| ·初始权值 | 第26页 |
| ·训练时间 | 第26页 |
| ·RBF 神经网络的优点及问题 | 第26-27页 |
| 3 熵的概念 | 第27-32页 |
| ·熵的产生和发展 | 第27-29页 |
| ·熵的定义和基本性质 | 第29-30页 |
| ·熵的基本定义 | 第29页 |
| ·熵的基本性质 | 第29-30页 |
| ·熵与RBF 神经网络 | 第30-32页 |
| 4 基于熵聚类的RBF 神经网络学习算法 | 第32-43页 |
| ·初始聚类中心的确定方法 | 第32-33页 |
| ·熵聚类算法 | 第33-35页 |
| ·信息熵原理 | 第33-34页 |
| ·熵聚类算法的设计 | 第34-35页 |
| ·基于熵聚类的RBF 神经网络学习算法 | 第35页 |
| ·仿真实验 | 第35-42页 |
| ·熵聚类算法的分析 | 第35-38页 |
| ·熵聚类实现k-Means 算法的初始化 | 第38-39页 |
| ·RBF 神经网络逼近实验 | 第39-42页 |
| ·小结 | 第42-43页 |
| 5 熵聚类实现泛函网络神经元函数优化 | 第43-52页 |
| ·引言 | 第43-44页 |
| ·泛函网络 | 第44-45页 |
| ·泛函网络结构 | 第44-45页 |
| ·神经网络与泛函网络的主要区别 | 第45页 |
| ·一般的泛函网络学习算法 | 第45-49页 |
| ·多输入、单输出可分离泛函网络模型 | 第46-48页 |
| ·一般的学习算法描述 | 第48-49页 |
| ·基于熵聚类的泛函网络学习算法 | 第49-50页 |
| ·仿真实验 | 第50-51页 |
| ·小结 | 第51-52页 |
| 6 总结与展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 附录 | 第60-62页 |
| A 作者在攻读学位期间发表的论文目录 | 第60页 |
| B 作者在攻读硕士学位期间参加的科研项目 | 第60-62页 |
