多层感知器学习算法研究
| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·基本概念 | 第7-8页 |
| ·神经网络的发展过程 | 第8-11页 |
| ·产生背景 | 第8页 |
| ·发展历史 | 第8-10页 |
| ·现状 | 第10-11页 |
| ·多层感知器 | 第11-14页 |
| ·基本概念 | 第11-12页 |
| ·多层感知器学习算法存在的问题 | 第12-13页 |
| ·多层感知器学习算法的研究成果 | 第13-14页 |
| ·毕业设计工作及论文结构 | 第14-15页 |
| ·毕业设计工作 | 第14页 |
| ·论文结构 | 第14-15页 |
| 第二章 反向传播算法 | 第15-27页 |
| ·反向传播算法 | 第15-18页 |
| ·学习规则 | 第15页 |
| ·学习过程 | 第15-17页 |
| ·反向传播算法的步骤 | 第17-18页 |
| ·反向传播算法的贡献和局限性 | 第18-19页 |
| ·反向传播算法的贡献 | 第18页 |
| ·反向传播算法的局限性 | 第18-19页 |
| ·对反向传播算法的进一步讨论 | 第19-26页 |
| ·激活函数 | 第19-22页 |
| ·学习模式 | 第22页 |
| ·动量项 | 第22-23页 |
| ·学习速率 | 第23-25页 |
| ·误差函数 | 第25-26页 |
| ·小结 | 第26-27页 |
| 第三章 性能优化 | 第27-35页 |
| ·性能优化的理论基础 | 第27-29页 |
| ·最速下降法 | 第29-30页 |
| ·牛顿法 | 第30-31页 |
| ·共轭梯度法 | 第31-33页 |
| ·小结 | 第33-35页 |
| 第四章 TWEBP算法 | 第35-53页 |
| ·趋势外推思想 | 第35-38页 |
| ·趋势外推 | 第35-36页 |
| ·BPWE算法 | 第36-38页 |
| ·TBP算法 | 第38页 |
| ·TWEBP算法 | 第38-39页 |
| ·计算机仿真 | 第39-52页 |
| ·XOR问题 | 第39-43页 |
| ·三分类问题 | 第43-48页 |
| ·函数逼近问题 | 第48-52页 |
| ·小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-54页 |
| 参考文献 | 第54-56页 |
| 攻读学位期间公开发表的论文 | 第56-57页 |
| 致谢 | 第57-58页 |
| 详细摘要 | 第58-60页 |
