| 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 |
