| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 插图目录 | 第11-13页 |
| 表格目录 | 第13-15页 |
| 第一章 绪论 | 第15-35页 |
| ·引言 | 第15页 |
| ·前馈神经网络概述 | 第15-23页 |
| ·神经网络的发展史 | 第15-17页 |
| ·前馈神经网络及BP算法 | 第17-20页 |
| ·BP算法存在的不足及其改进方法 | 第20-23页 |
| ·前馈神经网络的学习算法的研究现状 | 第23-25页 |
| ·本文的内容安排 | 第25-27页 |
| ·本文主要创新点 | 第27-28页 |
| 参考文献 | 第28-35页 |
| 第二章 耦合附加函数约束的学习算法研究 | 第35-61页 |
| ·引言 | 第35-36页 |
| ·只考虑降低输入输出灵敏度的算法(Hybrid-Ⅰ算法) | 第36-37页 |
| ·输入输出灵敏度 | 第36页 |
| ·Hybrid-Ⅰ算法 | 第36-37页 |
| ·只考虑惩罚高频分量的算法(Hybrid-Ⅱ算法) | 第37-39页 |
| ·改进的约束算法 | 第39-56页 |
| ·两个改进的约束算法 | 第40-42页 |
| ·两个改进的约束算法的理论分析 | 第42-45页 |
| ·实验结果 | 第45-54页 |
| ·几种其它情况 | 第54-56页 |
| ·放大梯度函数的约束算法 | 第56-59页 |
| ·小结 | 第59页 |
| 参考文献 | 第59-61页 |
| 第三章 耦合导数信息的函数逼近算法研究 | 第61-79页 |
| ·引言 | 第61-62页 |
| ·函数逼近问题中的两类先验信息 | 第62-66页 |
| ·从函数逼近问题中提取的结构约束 | 第62-63页 |
| ·从函数逼近问题中提取的连接权约束 | 第63-66页 |
| ·耦合函数导数信息的函数逼近约束算法 | 第66-76页 |
| ·耦合函数一阶导数信息的函数逼近约束算法(FDCLA) | 第66-68页 |
| ·耦合函数二阶导数信息的函数逼近约束算法(SDCLA) | 第68页 |
| ·耦合函数一阶二阶导数信息的函数逼近约束算法(FSDCLA) | 第68-69页 |
| ·三种新算法的理论分析 | 第69-70页 |
| ·实验结果 | 第70-76页 |
| ·小结 | 第76页 |
| 参考文献 | 第76-79页 |
| 第四章 编码极端学习机的研究 | 第79-103页 |
| ·引言 | 第79-80页 |
| ·极端学习机(ELM) | 第80-87页 |
| ·极端学习机 | 第80-82页 |
| ·基于极端学习机与PCA的早期非小细胞肺癌个体化预后预测 | 第82-87页 |
| ·多项式极端学习机 | 第87页 |
| ·正余弦极端学习机 | 第87-92页 |
| ·逼近周期为2π的函数 | 第88-90页 |
| ·逼近周期为2l的函数 | 第90-92页 |
| ·实验结果 | 第92-100页 |
| ·逼近周期函数y=(1-(40x/π)+2(40x/π)~2-0.4(40x/π)~3)e~(-x/2) | 第92-95页 |
| ·逼近两个偶周期函数 | 第95-97页 |
| ·逼近两个奇周期函数 | 第97-100页 |
| ·小结 | 第100页 |
| 参考文献 | 第100-103页 |
| 第五章 基于粒子群优化与先验知识的前馈网络学习算法研究 | 第103-119页 |
| ·引言 | 第103-104页 |
| ·粒子群优化 | 第104-106页 |
| ·两个基于APSO和先验知识的函数逼近算法 | 第106-110页 |
| ·基于先验知识的APSO的函数逼近算法 | 第106-107页 |
| ·基于APSO和耦合先验知识的约束算法的函数逼近算法 | 第107-110页 |
| ·实验结果 | 第110-116页 |
| ·小结 | 第116-117页 |
| 参考文献 | 第117-119页 |
| 总结与展望 | 第119-123页 |
| 1 主要工作与创新 | 第119-121页 |
| 2 进一步的研究展望 | 第121-123页 |
| 附录 | 第123-126页 |
| 攻读博士学位期间发表论文、参加科研项目和获奖情况 | 第126-129页 |
| 致谢 | 第129页 |
