| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-24页 |
| ·人工神经网络简介 | 第11-13页 |
| ·神经网络的重要特性及拓扑结构 | 第11-12页 |
| ·神经元模型 | 第12-13页 |
| ·神经网络的学习规则 | 第13-14页 |
| ·训练神经网络的梯度算法 | 第14-15页 |
| ·批处理梯度算法和在线梯度算法 | 第14-15页 |
| ·带惩罚项的梯度算法 | 第15页 |
| ·高阶神经网络 | 第15-19页 |
| ·High-order神经网络 | 第16-17页 |
| ·Pi-Sigma网络 | 第17-18页 |
| ·Sigma-Pi网络 | 第18-19页 |
| ·模糊神经网络 | 第19-22页 |
| ·Takagi-Sugeno模糊逻辑系统 | 第20-21页 |
| ·模糊神经元 | 第21-22页 |
| ·本文研究的主要内容 | 第22-24页 |
| 2 太小的初始权值选取对BP神经网络的影响 | 第24-38页 |
| ·研究背景 | 第24页 |
| ·基于梯度下降的BP算法 | 第24-27页 |
| ·何时及因何较小的初始权值会引起较慢的收敛 | 第27-29页 |
| ·数值实验 | 第29-32页 |
| ·其它误差函数和激活函数 | 第32-36页 |
| ·本章小结 | 第36-38页 |
| 3 带递归的模糊感知器的有限收敛性 | 第38-44页 |
| ·研究背景 | 第38页 |
| ·带递归的模型感知器的梯度学习算法及样本集性质 | 第38-40页 |
| ·带递归的模型感知器的梯度学习算法 | 第38-40页 |
| ·样本集性质 | 第40页 |
| ·收敛定理及证明 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 4 基于完全随机输入的模糊δ-规则的有限收敛性 | 第44-51页 |
| ·研究背景 | 第44页 |
| ·模糊感知器网络的学习算法及样本集性质 | 第44-47页 |
| ·完全随机输入的模糊δ-规则 | 第44-45页 |
| ·样本集性质 | 第45-47页 |
| ·收敛定理及证明 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 5 一类基于一阶Takagi-Sugeno推理系统的pi-sigma神经网络的学习算法及其收敛性 | 第51-69页 |
| ·研究背景 | 第51-52页 |
| ·一阶Takagi-Sugeno模糊推理系统及高阶神经网络 | 第52-54页 |
| ·一阶Takagi-Sugeno模糊推理系统 | 第52-53页 |
| ·Pi-Sigma神经网络 | 第53-54页 |
| ·基于梯度下降的改进后的模糊-神经学习算法 | 第54-57页 |
| ·收敛定理 | 第57-58页 |
| ·数值实验 | 第58-59页 |
| ·收敛定理证明 | 第59-68页 |
| ·本章小结 | 第68-69页 |
| 6 Takagi-Sugeno模糊系统的一种改进算法的光滑L_(1/2)正则化 | 第69-85页 |
| ·背景研究 | 第69-70页 |
| ·零阶T-S系统和改进的梯度学习算法 | 第70-71页 |
| ·带光滑L_(1/2)正则项的基于梯度的批处理神经-模糊学习算法 | 第71-74页 |
| ·改进前的L_(1/2)正则化 | 第72-73页 |
| ·光滑化L_(1/2)正则项 | 第73-74页 |
| ·收敛定理 | 第74-75页 |
| ·数值实验 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| ·引理及定理的证明 | 第77-85页 |
| 结论和展望 | 第85-87页 |
| 参考文献 | 第87-93页 |
| 创新点摘要 | 第93-94页 |
| 攻读博士学位期间发表学术论文情况 | 第94-95页 |
| 致谢 | 第95-97页 |
| 作者简介 | 第97-99页 |
