递增的稀疏神经网络学习算法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 引言 | 第12-13页 |
| 1.2 神经网络简介 | 第13-18页 |
| 1.2.1 神经网络的发展历史 | 第13-15页 |
| 1.2.2 主要神经网络模型 | 第15-16页 |
| 1.2.3 神经网络的实现技术 | 第16-18页 |
| 1.3 全连接网络存在的问题 | 第18-19页 |
| 1.3.1 连接问题 | 第18页 |
| 1.3.2 过拟合问题 | 第18-19页 |
| 1.4 国内外研究现状 | 第19-20页 |
| 1.5 本文内容与安排 | 第20-21页 |
| 第二章 稀疏神经网络及其性质 | 第21-29页 |
| 2.1 引言 | 第21-22页 |
| 2.2 稀疏前馈神经网络 | 第22-26页 |
| 2.2.1 前馈神经网络模型 | 第22-23页 |
| 2.2.2 BP 神经元模型 | 第23-24页 |
| 2.2.3 稀疏神经网络的定义 | 第24-26页 |
| 2.3 稀疏对泛化能力的影响 | 第26-28页 |
| 2.4 小结 | 第28-29页 |
| 第三章 稀疏神经网络的学习算法 | 第29-52页 |
| 3.1 引言 | 第29页 |
| 3.2 主要学习算法 | 第29-34页 |
| 3.2.1 学习算法分类 | 第30-31页 |
| 3.2.2 BP 学习算法 | 第31-33页 |
| 3.2.3 BP 网络的逼近能力 | 第33-34页 |
| 3.3 大脑研究的新启发 | 第34-37页 |
| 3.3.1 生物网络的基本构成 | 第34-36页 |
| 3.3.2 大脑变化与智能的关系 | 第36-37页 |
| 3.4 增加连接的学习算法 | 第37-40页 |
| 3.4.1 算法介绍 | 第37-38页 |
| 3.4.2 轮盘赌方法 | 第38-39页 |
| 3.4.3 算法描述和流程图 | 第39-40页 |
| 3.5 增加节点的学习算法 | 第40-43页 |
| 3.5.1 连接度与拟合能力的关系 | 第40-41页 |
| 3.5.2 算法介绍 | 第41-42页 |
| 3.5.3 算法流程图 | 第42-43页 |
| 3.6 仿真验证 | 第43-51页 |
| 3.6.1 算例简介 | 第43-45页 |
| 3.6.2 数据处理和参数设置 | 第45-46页 |
| 3.6.3 学习结果及对比 | 第46-47页 |
| 3.6.4 学习误差曲线 | 第47-51页 |
| 3.7 本章小结 | 第51-52页 |
| 第四章 稀疏神经网络的同构 | 第52-63页 |
| 4.1 引言 | 第52页 |
| 4.2 图的同构 | 第52-54页 |
| 4.3 神经网络的同构 | 第54-57页 |
| 4.3.1 同构的邻接矩阵判定 | 第54-55页 |
| 4.3.2 同构对拟合能力的影响 | 第55-57页 |
| 4.4 考虑同构的学习算法 | 第57-60页 |
| 4.5 学习参数的影响 | 第60-62页 |
| 4.5.1 初始节点数 | 第61页 |
| 4.5.2 初始连接度 | 第61页 |
| 4.5.3 增加连接间隔 | 第61-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 总结及展望 | 第63-65页 |
| 5.1 研究内容和主要贡献 | 第63-64页 |
| 5.2 今后的研究方向 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间发表的论文 | 第72页 |
