首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--人工神经网络与计算论文

用于神经网络的带L1/2正则项的共轭梯度学习方法

摘要第4-6页
Abstract第6-7页
1 绪论第15-31页
    1.1 人工神经网络简介第15-23页
        1.1.1 神经网络的发展历程第15-19页
        1.1.2 人工神经元模型第19-20页
        1.1.3 神经网络的拓扑结构第20-21页
        1.1.4 神经网络的学习过程和规则第21-23页
    1.2 前馈神经网络的学习算法第23-29页
        1.2.1 梯度训练算法和共轭梯度训练算法第24-26页
        1.2.2 批处理式和在线式学习算法第26-27页
        1.2.3 带动量项的学习算法第27页
        1.2.4 带惩罚项的学习算法第27-29页
    1.3 本文的主要工作第29-31页
2 基于割线方程的参数共轭梯度法第31-41页
    2.1 背景介绍第31-34页
    2.2 新的参数共轭梯度法及收敛性分析第34-37页
    2.3 数值实验第37-41页
3 基于割线方程的双自适应参数共轭梯度算法第41-49页
    3.1 背景介绍第41-43页
    3.2 双自适应参数共轭梯度法第43-46页
    3.3 数值结果第46页
    3.4 小结第46-49页
4 带有光滑L_(1/2)正则项的双自适应参数混合共轭梯度神经网络学习方法第49-71页
    4.1 背景介绍第49-51页
    4.2 一个带有光滑L_(1/2)正则项的共轭梯度学习方法第51-54页
        4.2.1 神经网络结构第51-54页
        4.2.2 双自适应混合参数的共轭梯度法第54页
    4.3 收敛性结果第54-55页
    4.4 算法的收敛性证明第55-63页
    4.5 数值结果第63-70页
    4.6 小结第70-71页
5 基于光滑L_(1/2)正则化的批处理型模糊共轭梯度学习方法第71-89页
    5.1 背景介绍第71-72页
    5.2 零阶Takagi-Sugeno推理系统第72-74页
    5.3 带有光滑L_(1/2)正则项的PRP共轭梯度模糊神经网络学习算法第74-77页
    5.4 收敛性结果第77页
    5.5 算法的收敛性证明第77-83页
    5.6 数值结果第83-84页
        5.6.1 辨识问题第83页
        5.6.2 分类问题第83-84页
    5.7 小结第84-89页
6 结论和展望第89-93页
参考文献第93-101页
攻读博士学位期间发表学术论文情况第101-103页
致谢第103-105页
作者简介第105页

论文共105页,点击 下载论文
上一篇:企业是否需要选择研发方向--基于数值仿真和实证分析的研究
下一篇:JH公司的银行贷款融资问题研究