BP神经网络学习问题的分析研究
| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-14页 |
| ·课题研究的背景 | 第8-10页 |
| ·机器学习的内容和发展 | 第8-9页 |
| ·学习机器与神经网络 | 第9-10页 |
| ·本文的研究内容和意义 | 第10-12页 |
| ·论文结构安排 | 第12-14页 |
| 第二章 人工神经网络 | 第14-28页 |
| ·人工神经网络简介 | 第14-19页 |
| ·人工神经元模型 | 第14-16页 |
| ·神经网络的拓扑结构及工作方式 | 第16-17页 |
| ·神经网络学习方式 | 第17-18页 |
| ·神经网络学习算法 | 第18-19页 |
| ·BP神经网络 | 第19-24页 |
| ·误差反向传播(BP)算法 | 第19-22页 |
| ·BP算法的局限及改进 | 第22-24页 |
| ·BP神经网络的学习率 | 第24-27页 |
| ·梯度下降法 | 第24-25页 |
| ·自适应学习率算法 | 第25-26页 |
| ·仿真分析 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 神经网络的学习理论 | 第28-33页 |
| ·方差与偏置的折衷 | 第28-29页 |
| ·权空间与权向量解 | 第29-30页 |
| ·欠学习与过学习分析 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 误差函数 | 第33-51页 |
| ·均方误差函数准则 | 第33-34页 |
| ·Minkowski误差函数 | 第34-35页 |
| ·交叉熵函数 | 第35-36页 |
| ·非参数密度估计 | 第36-39页 |
| ·基本方法 | 第36-38页 |
| ·Parzen窗法 | 第38-39页 |
| ·误差熵函数准则 | 第39-45页 |
| ·误差的二次Renyi熵函数 | 第40-41页 |
| ·全局最优值 | 第41-43页 |
| ·Csiszar距离 | 第43-44页 |
| ·窗宽σ | 第44-45页 |
| ·误差熵最小算法用于分类 | 第45页 |
| ·零误差密度函数准则 | 第45-50页 |
| ·零误差密度最大算法 | 第45-47页 |
| ·梯度分析 | 第47-48页 |
| ·仿真分析 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 概率密度加权型均方误差函数准则 | 第51-60页 |
| ·最小二乘算法 | 第51-52页 |
| ·参数的最小二乘估计 | 第51-52页 |
| ·最小二乘估计的性质 | 第52页 |
| ·加权最小二乘算法 | 第52-55页 |
| ·异方差性 | 第52-53页 |
| ·加权最小二乘估计 | 第53-55页 |
| ·概率密度加权型均方误差函数 | 第55-56页 |
| ·权值函数的单调性 | 第56-57页 |
| ·异方差性与抗干扰性 | 第57-58页 |
| ·仿真分析 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 致谢 | 第64-65页 |
| 个人简历 | 第65页 |
| 攻读硕士学位期间发表的论文 | 第65-66页 |
