| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·课题的提出、背景及意义 | 第9-10页 |
| ·RBF神经网络的研究现状 | 第10-12页 |
| ·本文的研究思路和结构安排 | 第12-13页 |
| ·本文的研究思路 | 第12页 |
| ·本文的结构安排 | 第12-13页 |
| ·本论文的创新点 | 第13-14页 |
| 第二章 RBF神经网络概述 | 第14-27页 |
| ·RBF神经网络的出现 | 第14-22页 |
| ·RBF的定义 | 第14-15页 |
| ·径向基函数技术解决插值问题的相关理论 | 第15-21页 |
| ·RBF神经网络解决模式分类问题的相关理论 | 第21-22页 |
| ·广义RBF神经网络 | 第22页 |
| ·径向基函数的选择 | 第22-23页 |
| ·RBF神经网络的基本学习算法 | 第23-26页 |
| ·基于K-means聚类的数据中心选择算法 | 第24-25页 |
| ·基于梯度下降法的学习算法 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 RBF神经网络学习算法的分类与分析 | 第27-43页 |
| ·RBF神经网络算法概述 | 第27-28页 |
| ·RBF神经网络的学习算法及其分析 | 第28-42页 |
| ·基于各种聚类方法的混合学习算法与分析 | 第28-30页 |
| ·正交最小二乘算法（OLS）与分析 | 第30-35页 |
| ·基于结构优化的学习算法与分析 | 第35-40页 |
| ·基于进化算法的神经网络学习算法与分析 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 RBF神经网络的泛化理论研究 | 第43-50页 |
| ·从非线性回归角度分析神经网络的泛化能力 | 第43-47页 |
| ·期望风险和经验风险 | 第44-45页 |
| ·问题描述与解决方法 | 第45-47页 |
| ·影响RBF神经网络泛化能力的其他因素 | 第47-49页 |
| ·样本质量和数量 | 第47-48页 |
| ·先验知识 | 第48页 |
| ·初始权值和学习时间 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 三种改进的RBF神经网络算法及其仿真 | 第50-63页 |
| ·基于Kohonen网络和OLS算法的RBFNN中心选择方法 | 第50-54页 |
| ·改进算法的提出 | 第50-51页 |
| ·改进算法的具体步骤 | 第51-52页 |
| ·实验及结果分析 | 第52-54页 |
| ·基于改进的密度法确定RBFNN的数据中心的算法 | 第54-58页 |
| ·算法的提出 | 第54-55页 |
| ·密度法选择数据中心的算法步骤 | 第55-56页 |
| ·算法的复杂度分析 | 第56-57页 |
| ·实验及结果分析 | 第57-58页 |
| ·改进的APC-III算法训练RBF神经网络 | 第58-62页 |
| ·改进算法的提出 | 第58页 |
| ·算法描述 | 第58-60页 |
| ·改进的APC-III算法分析 | 第60页 |
| ·改进的算法在非线性系统建模中的应用 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 总结 | 第63页 |
| 展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 攻读硕士学位期间取得的学术成果 | 第71-72页 |
| 致谢 | 第72页 |