多层前向网络泛化能力的研究与应用
| 摘要 | 第1-5页 |
| 前言 | 第5-8页 |
| 第一章 人工神经网络模型 | 第8-18页 |
| ·人工神经网络的基本原理 | 第8-12页 |
| ·神经元基本模型 | 第8-9页 |
| ·网络的拓扑 | 第9-10页 |
| ·神经网络的训练 | 第10-12页 |
| ·多层前馈网络和BP算法 | 第12-16页 |
| ·前馈分类和网络的表达能力 | 第12-14页 |
| ·反向传播算法 | 第14-16页 |
| ·训练方案 | 第16页 |
| ·相关的统计技术 | 第16-18页 |
| 第二章 网络模型的改进 | 第18-30页 |
| ·训练数据的预处理 | 第18-24页 |
| ·输入向量的标准化 | 第18页 |
| ·输入向量的降维 | 第18-22页 |
| ·训练样本的淘汰 | 第22-23页 |
| ·增加训练数据 | 第23-24页 |
| ·激活函数和误差函数 | 第24-25页 |
| ·激活函数 | 第24-25页 |
| ·学习目标 | 第25页 |
| ·网络结构和初始化 | 第25-27页 |
| ·隐含层数和隐含单元数 | 第25-26页 |
| ·权值初始化 | 第26-27页 |
| ·训练策略 | 第27-30页 |
| ·动量项和自适应学习率 | 第27页 |
| ·权值衰减 | 第27-28页 |
| ·提前停止训练 | 第28页 |
| ·局部训练 | 第28-30页 |
| 第三章 问题一：主症预测问题 | 第30-36页 |
| ·问题描述 | 第30页 |
| ·编码与网络模型 | 第30-31页 |
| ·实验与结果 | 第31-35页 |
| ·改进激活函数和训练目标的网络 | 第31-32页 |
| ·局部训练法的网络 | 第32-34页 |
| ·淘汰训练样本优化网络 | 第34-35页 |
| ·讨论 | 第35-36页 |
| 第四章 问题二：手写数字识别问题 | 第36-42页 |
| ·数据提取 | 第36-37页 |
| ·识别性能的评价 | 第37页 |
| ·网络训练和结果 | 第37-41页 |
| ·讨论 | 第41-42页 |
| 结束语 | 第42-43页 |
| 致谢 | 第43-44页 |
| 参考文献 | 第44-46页 |
