| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 课题研究 | 第11页 |
| 1.2 神经网络发展 | 第11页 |
| 1.3 神经网络理论 | 第11-14页 |
| 1.3.1 人工神经元模型 | 第12页 |
| 1.3.2 神经网络性能分析 | 第12-14页 |
| 1.4 本论文的主要研究内容和安排 | 第14-15页 |
| 第2章 基于自适应数据质心模糊极小极大神经网络分类方法研究 | 第15-35页 |
| 2.1 模糊极大极小神经网及发展 | 第15-24页 |
| 2.1.1 模糊理论概述 | 第15-18页 |
| 2.1.2 神经网络常见结构概述 | 第18-20页 |
| 2.1.3 模糊理论与神经网络的融合 | 第20-21页 |
| 2.1.4 模糊神经网络的概念与结构 | 第21-23页 |
| 2.1.5 模糊最小-最大分类神经网络的研究 | 第23-24页 |
| 2.2 基于自适应数据质心模糊极小极大神经网络分类方法 | 第24-34页 |
| 2.2.1 改进模糊神经网络的设计背景 | 第25页 |
| 2.2.2 DCFMN的结构和实现 | 第25-27页 |
| 2.2.3 利用遗传算法进行数据的预处理 | 第27页 |
| 2.2.4 带有自适应权值模糊极大极小模糊神经网络的分类器 | 第27-34页 |
| 2.3 本章小节 | 第34-35页 |
| 第3章 基于PCA与GA的改进型极大极小模糊神经网络的分类方法研究 | 第35-61页 |
| 3.1 主元分析方法(PCA) | 第35-36页 |
| 3.1.1 PCA原理 | 第35-36页 |
| 3.1.2 PCA的算法流程 | 第36页 |
| 3.2 遗传算法(GA) | 第36-38页 |
| 3.2.1 遗传算法的基本概念与应用 | 第36-37页 |
| 3.2.2 遗传算法的基本原理 | 第37页 |
| 3.2.3 遗传算法的流程 | 第37-38页 |
| 3.3 基于GA和PCA的模糊极大极小模糊神经网络 | 第38-58页 |
| 3.3.1 设计理念 | 第38-40页 |
| 3.3.2 典型模糊极大极小神经网络的分析 | 第40-43页 |
| 3.3.3 AFMN网络结构 | 第43-51页 |
| 3.3.4 算法仿真 | 第51-58页 |
| 本章小结 | 第58-61页 |
| 第4章 基于集成神经算法的极限学习机分类 | 第61-73页 |
| 4.1 单隐层前馈神经网络 | 第61-62页 |
| 4.1.1 单隐层前馈神经网络 | 第61页 |
| 4.1.2 极限学习机 | 第61-62页 |
| 4.2 集成神经网络算法 | 第62-67页 |
| 4.2.1 集成神经网络算法 | 第62-66页 |
| 4.2.2 基于遗传算法的集成神经网络检测方法 | 第66-67页 |
| 4.3 算法思想与步骤 | 第67-69页 |
| 4.3.1 个体网络的构建 | 第68页 |
| 4.3.2 个体网络的选择 | 第68-69页 |
| 4.3.3 网络的集成输出 | 第69页 |
| 4.4 算法仿真 | 第69-73页 |
| 第5章 基于混沌理论与粒子群算法的改进型极限学习机分类方案 | 第73-83页 |
| 5.1 粒子群算法 | 第73-76页 |
| 5.1.1 粒子群优化算法的实现 | 第73-75页 |
| 5.1.2 改进的粒子群优化算法 | 第75-76页 |
| 5.2 混沌理论 | 第76-77页 |
| 5.2.1 混沌思想的引入 | 第76页 |
| 5.2.2 混沌初始化与区间处理 | 第76-77页 |
| 5.3 改进混沌粒子群算法实现 | 第77-79页 |
| 5.3.1 改进混沌粒子群优化算法的SLM极限学习机的思想 | 第77-78页 |
| 5.3.2 基于混沌粒子群的极限学习机的参数优化 | 第78-79页 |
| 5.4 算法仿真 | 第79-83页 |
| 第6章 结论与展望 | 第83-85页 |
| 6.1 结论 | 第83页 |
| 6.2 展望 | 第83-85页 |
| 参考文献 | 第85-91页 |
| 致谢 | 第91-93页 |
| 攻读硕士期间科研情况 | 第93页 |
