| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-37页 |
| ·神经网络简介 | 第11-17页 |
| ·人工神经网络的发展过程 | 第11-12页 |
| ·人工神经网络构成 | 第12-15页 |
| ·人工神经网络的信息处理能力和应用 | 第15-16页 |
| ·人工神经网络研究内容 | 第16-17页 |
| ·前馈神经网络 | 第17-27页 |
| ·多层感知器神经网络 | 第17-18页 |
| ·径向基函数神经网络 | 第18-21页 |
| ·Sum-of-Product神经网络 | 第21-24页 |
| ·Sigma-Pi-Sigma神经网络 | 第24-27页 |
| ·神经网络逼近能力的研究意义、方法和现状 | 第27-34页 |
| ·神经网络逼近能力的研究意义 | 第27-28页 |
| ·神经网络逼近能力的研究内容和方法 | 第28-30页 |
| ·多层感知器的逼近能力研究现状 | 第30-32页 |
| ·RBF神经网络的逼近能力研究近况 | 第32-34页 |
| ·本文的主要工作 | 第34-37页 |
| 2 岭函数的线性组合的表达唯一性和光滑性 | 第37-49页 |
| ·广义函数理论 | 第37-41页 |
| ·基本空间和广义函数 | 第37-38页 |
| ·广义函数运算及性质 | 第38-41页 |
| ·岭函数研究 | 第41-49页 |
| ·岭函数线性组合的表达唯一性 | 第42-47页 |
| ·岭函数光滑性结果 | 第47-49页 |
| 3 前馈神经网络逼近能力进展 | 第49-79页 |
| ·RBF神经网络的L~p逼近能力 | 第49-62页 |
| ·RBF神经网络的强逼近问题 | 第62-68页 |
| ·RBF神经网络的算子逼近问题 | 第68-70页 |
| ·前馈网络的强逼近问题及其应用 | 第70-79页 |
| 4 Sum-of-Product和Sigma-Pi-Sigma神经网络的一致逼近能力 | 第79-85页 |
| ·SOPNN的一致逼近能力 | 第79-82页 |
| ·SPSNN的一致逼近能力 | 第82-85页 |
| 5 Sum-of-Product和Sigma-Pi-Sigma神经网络的L~p逼近能力 | 第85-93页 |
| ·SOPNN的L~p逼近能力 | 第85-91页 |
| ·SPSNN的L~p逼近能力 | 第91-93页 |
| 6 具有随机隐单元的渐增前馈神经网络的逼近性能 | 第93-105页 |
| ·研究背景 | 第93-94页 |
| ·定义及引理 | 第94-99页 |
| ·具有随机隐单元的前馈网络的逼近能力 | 第99-105页 |
| 结论 | 第105-107页 |
| 参考文献 | 第107-113页 |
| 攻读博士学位期间学术论文完成情况 | 第113-115页 |
| 致谢 | 第115-117页 |
| 作者简介 | 第117-119页 |