基于光滑L0正则子的神经网络稀疏化梯度学习算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第9-17页 |
| 1.1 人工神经网络的发展历程 | 第9页 |
| 1.2 人工神经网络的学习方式和学习算法 | 第9-12页 |
| 1.2.1 学习方式 | 第9-10页 |
| 1.2.2 学习算法 | 第10-12页 |
| 1.3 神经网络的梯度学习算法 | 第12-16页 |
| 1.3.1 基于梯度的优化算法 | 第12-13页 |
| 1.3.2 梯度学习算法 | 第13-14页 |
| 1.3.3 梯度学习算法收敛性研究现状 | 第14页 |
| 1.3.4 L_p正则化学习算法 | 第14-16页 |
| 1.4 本文的主要工作 | 第16-17页 |
| 2 带光滑L_0正则项的批处理梯度学习算法 | 第17-31页 |
| 2.1 算法描述 | 第17-20页 |
| 2.2 稀疏性 | 第20-21页 |
| 2.3 主要结果 | 第21-22页 |
| 2.4 数值实验 | 第22-25页 |
| 2.4.1 函数逼近问题 | 第22-23页 |
| 2.4.2 声呐信号分类 | 第23-25页 |
| 2.5 算法的收敛性证明 | 第25-29页 |
| 2.6 本章小结 | 第29-31页 |
| 3 带光滑L_0正则项的在线梯度学习算法 | 第31-45页 |
| 3.1 算法描述 | 第31-33页 |
| 3.2 主要结果 | 第33-34页 |
| 3.3 数值实验 | 第34-36页 |
| 3.3.1 糖尿病数据分类 | 第34页 |
| 3.3.2 函数逼近问题 | 第34-36页 |
| 3.4 算法的收敛性证明 | 第36-43页 |
| 3.5 本章小结 | 第43-45页 |
| 结论 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 攻读学位期间公开发表学术论文情况 | 第51-53页 |
| 致谢 | 第53页 |
