| 第1章 绪论 | 第1-27页 |
| 1．1 神经网络结构和训练方法分类 | 第13-15页 |
| 1．2 有权型基于存储器的神经网络模型 | 第15-16页 |
| 1．3 无权型基于存储器的神经网络模型 | 第16-24页 |
| 1．3．1 Kanerva的稀疏分布存储器模型 | 第17-20页 |
| 1．3．2 N-tuple神经网络模型 | 第20-24页 |
| 1．4 神经网络分类方法的优缺点 | 第24-25页 |
| 1．5 本文的贡献 | 第25-27页 |
| 第2章 基于稀疏RAM的N-TUPLE神经网络模型 | 第27-33页 |
| 2．1 引言 | 第27页 |
| 2．2 内插式N-tuple模型和内插式SDM | 第27-29页 |
| 2．3 SR-NTNN | 第29-32页 |
| 2．3．1 SR-NTNN的体系结构的构造 | 第29页 |
| 2．3．2 SR-NTNN的学习算法及其特点 | 第29-31页 |
| 2．3．3 函数逼近实验 | 第31-32页 |
| 2．4 本章小结 | 第32-33页 |
| 第3章 逼近型稀疏分布存储器模型 | 第33-43页 |
| 3．1 引言 | 第33页 |
| 3．2 CMAC模型 | 第33-35页 |
| 3．3 逼近型SDM模型及其学习收敛性 | 第35-40页 |
| 3．3．1 算法的进一步描述 | 第36-38页 |
| 3．3．2 学习收敛性 | 第38-40页 |
| 3．4 函数逼近示例 | 第40-42页 |
| 3．5 本章小结 | 第42-43页 |
| 第4章 基于稀疏RAM的逼近型N-TUPLE神经网络模型 | 第43-51页 |
| 4．1 引言 | 第43页 |
| 4．2 SLLUP | 第43-45页 |
| 4．3 CMAC与SLLUP的比较 | 第45-46页 |
| 4．4 基于稀疏RAM的逼近型N-tuple网络模型 | 第46-50页 |
| 4．4．1 结构 | 第46-47页 |
| 4．4．2 学习算法 | 第47-48页 |
| 4．4．3 学习收敛性 | 第48-49页 |
| 4．4．4 函数逼近示例 | 第49-50页 |
| 4．5 本章小结 | 第50-51页 |
| 第5章 一般存储器神经网络的学习收敛性理论结果 | 第51-64页 |
| 5．1 引言 | 第51-52页 |
| 5．2 GMNN结构及其学习收敛性 | 第52-63页 |
| 5．2．1 结构 | 第52-53页 |
| 5．2．2 地址距离 | 第53-54页 |
| 5．2．3 GMNN学习收敛性 | 第54-62页 |
| 5．2．3．1 学习规则 | 第54-55页 |
| 5．2．3．2 学习收敛性条件 | 第55-60页 |
| 5．2．3．3 最小平方误差收敛 | 第60-62页 |
| 5．2．4 精确学习的进一步分析 | 第62-63页 |
| 5．3 本章小结 | 第63-64页 |
| 第6章 基于N-tuple特征分解的人脸识别方法 | 第64-85页 |
| 6．1 引言 | 第64-65页 |
| 6．2 基于KL变换的特征脸识别方法及各种改进方法 | 第65-68页 |
| 6．3 基于N-tuple特征分解的Bayes人脸识别方法 | 第68-74页 |
| 6．3．1 特征空间分解的识别实验 | 第68-72页 |
| 6．3．1．1 PRM | 第68-70页 |
| 6．3．1．2 Naive-bayes规则 | 第70页 |
| 6．3．1．3 特征空间分解的PRM实验 | 第70-72页 |
| 6．3．2 N-tuple与Naive-bayes结合 | 第72-74页 |
| 6．4 基于稀疏RAM的逼近型N-tuple网络的人脸识别实验 | 第74-76页 |
| 6．5 BoostingN-tuples | 第76-84页 |
| 6．5．1 Boosting | 第76-79页 |
| 6．5．2 集成N-tuples的AdaBoost方法 | 第79-84页 |
| 6．6 本章小结 | 第84-85页 |
| 第7章 回顾与展望 | 第85-87页 |
| 参考文献 | 第87-96页 |
| 在校期间发表的论文 | 第96-97页 |
| 致谢 | 第97页 |
