GRNN及PNN分类算法性能分析
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 神经网络基本理论简介 | 第11-13页 |
| 1.2 神经网络在光学领域的主要应用 | 第13-14页 |
| 1.2.1 信息光学 | 第13-14页 |
| 1.2.2 量子光学 | 第14页 |
| 1.3 GRNN和PNN神经网络模型 | 第14-19页 |
| 1.3.1 GRNN和PNN模型网络结构介绍 | 第14-17页 |
| 1.3.2 GRNN和PNN神经网络的训练与设计 | 第17-19页 |
| 1.4 论文的组织结构 | 第19-21页 |
| 第二章 两种算法的自学习能力仿真分析研究 | 第21-29页 |
| 2.1 仿真平台介绍 | 第21-22页 |
| 2.2 两种算法的自学习能力分析研究 | 第22-23页 |
| 2.3 自学习能力仿真分析 | 第23-29页 |
| 第三章 两种算法的拒伪能力仿真分析研究 | 第29-35页 |
| 3.1 两种算法的拒伪能力分析研究 | 第29-30页 |
| 3.2 拒伪能力仿真分析 | 第30-35页 |
| 第四章 两种算法的鲁棒性仿真分析研究 | 第35-41页 |
| 4.1 两种算法的鲁棒性分析研究 | 第35-36页 |
| 4.2 鲁棒性仿真分析 | 第36-41页 |
| 第五章 算法中spread值和高斯幅度值a的影响 | 第41-49页 |
| 5.1 spread值研究仿真分析 | 第41-44页 |
| 5.2 高斯幅度值a研究仿真分析 | 第44-49页 |
| 第六章 结论与展望 | 第49-51页 |
| 6.1 总结 | 第49-50页 |
| 6.2 存在的问题与展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 附录 | 第55-61页 |
| 致谢 | 第61-62页 |
