| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-25页 |
| 1.1 课题的研究背景、目的和意义 | 第11-15页 |
| 1.1.1 研究背景 | 第11-13页 |
| 1.1.2 研究目的和意义 | 第13-15页 |
| 1.2 动态系统辨识中的奇异性问题的发展概况 | 第15-21页 |
| 1.2.1 动态系统辨识中的奇异性问题的研究现状 | 第15-18页 |
| 1.2.2 加速动态系统学习问题的研究现状 | 第18-21页 |
| 1.3 本文的主要研究内容与结构安排 | 第21-25页 |
| 1.3.1 论文的主要研究内容 | 第21-22页 |
| 1.3.2 论文的结构安排 | 第22-25页 |
| 第二章 动态系统辨识中的奇异性 | 第25-43页 |
| 2.1 引言 | 第25-28页 |
| 2.2 参数动态系统的分类 | 第28-31页 |
| 2.2.1 线性动态系统 | 第28-29页 |
| 2.2.2 非线性动态系统 | 第29-31页 |
| 2.3 学习模式和FISHER信息矩阵 | 第31-33页 |
| 2.3.1 学习模式和梯度下降法 | 第31-32页 |
| 2.3.2 Fisher信息矩阵 | 第32-33页 |
| 2.4 各类动态系统辨识过程中的奇异性 | 第33-38页 |
| 2.4.1 线性动态系统辨识中的奇异性 | 第33-34页 |
| 2.4.2 非线性动态系统的奇异性 | 第34-38页 |
| 2.5 数值仿真 | 第38-40页 |
| 2.6 小结 | 第40-43页 |
| 第三章 应用于径向基函数神经网络的自然梯度学习算法 | 第43-65页 |
| 3.1 引言 | 第43-45页 |
| 3.2 径向基函数神经网络和Fisher信息矩阵 | 第45-48页 |
| 3.2.1 径向基函数神经网络模型 | 第45页 |
| 3.2.2 Fisher信息矩阵 | 第45-48页 |
| 3.3 自然梯度学习算法 | 第48-53页 |
| 3.4 自适应自然梯度学习算法 | 第53-54页 |
| 3.5 仿真结果 | 第54-63页 |
| 3.5.1 非线性函数拟合(一) | 第54-56页 |
| 3.5.2 非线性函数拟合(二) | 第56-58页 |
| 3.5.3 Mackey-Glass混沌时间序列预测 | 第58-61页 |
| 3.5.4 非线性时变系统逼近 | 第61-63页 |
| 3.6 小结 | 第63-65页 |
| 第四章 应用于非线性系统参数辨识的自然梯度学习算法 | 第65-75页 |
| 4.1 引言 | 第65-66页 |
| 4.2 一类典型非线性系统和FISHER信息矩阵 | 第66-70页 |
| 4.2.1 一类典型的非线性系统 | 第66-67页 |
| 4.2.2 Fisher信息矩阵 | 第67-70页 |
| 4.3 自然梯度学习算法 | 第70-72页 |
| 4.4 数值仿真 | 第72-74页 |
| 4.5 小结 | 第74-75页 |
| 第五章 应用于混合高斯模型的自然梯度学习算法 | 第75-87页 |
| 5.1 引言 | 第75-77页 |
| 5.2 Fisher信息矩阵 | 第77-80页 |
| 5.3 自然梯度学习算法 | 第80-84页 |
| 5.4 数值仿真 | 第84-86页 |
| 5.4.1 仿真实例(一) | 第84-86页 |
| 5.5 小结 | 第86-87页 |
| 第六章 结论与展望 | 第87-91页 |
| 6.1 本文的主要工作 | 第87-88页 |
| 6.2 展望 | 第88-91页 |
| 参考文献 | 第91-107页 |
| 致谢 | 第107-109页 |
| 攻读博士学位期间发表的学术论文 | 第109页 |
