| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 符号说明 | 第9-15页 |
| 第1章 绪论 | 第15-25页 |
| 1.1 课题研究的目的和意义 | 第15页 |
| 1.1.1 理论研究 | 第15页 |
| 1.1.2 实际应用 | 第15页 |
| 1.2 国内外研究现状分析 | 第15-22页 |
| 1.2.1 各国先后启动人类脑计划 | 第15-16页 |
| 1.2.2 空间记忆机制有关细胞的发现 | 第16-19页 |
| 1.2.3 栅格细胞的核函数的数学模型 | 第19页 |
| 1.2.4 其他有关函数拟合的神经网络 | 第19-20页 |
| 1.2.5 强化学习算法研究现状 | 第20-22页 |
| 1.3 研究目标和研究内容 | 第22页 |
| 1.3.1 研究目标 | 第22页 |
| 1.3.2 研究内容 | 第22页 |
| 1.4 本文主要内容安排 | 第22-25页 |
| 第2章 栅格细胞神经网络的建立 | 第25-41页 |
| 2.1 人工神经网络基础知识 | 第25-33页 |
| 2.1.1 生物神经细胞模型 | 第25-26页 |
| 2.1.2 人工神经网络模型 | 第26-31页 |
| 2.1.3 Hebbian学习 | 第31-33页 |
| 2.2 RBF神经网络模型 | 第33-35页 |
| 2.2.1 RBF神经网络的定义 | 第33-34页 |
| 2.2.2 RBF神经网络结构 | 第34-35页 |
| 2.3 栅格细胞神经网络模型 | 第35-40页 |
| 2.3.1 栅格细胞神经网络模型的设计 | 第35-39页 |
| 2.3.2 栅格细胞神经网络的训练 | 第39-40页 |
| 2.4 本章小结 | 第40-41页 |
| 第3章 三维空间函数的拟合结果 | 第41-76页 |
| 3.1 普通三维空间函数的拟合结果 | 第41-57页 |
| 3.1.1 目标函数样本参数设置 | 第41-42页 |
| 3.1.2 栅格细胞神经网络和RBF神经网络参数设置 | 第42-43页 |
| 3.1.3 栅格细胞神经网络和RBF神经网络拟合结果比较 | 第43-57页 |
| 3.2 CEC-2013中三维函数的拟合结果 | 第57-75页 |
| 3.2.1 CEC-2013中函数1的拟合结果 | 第57-60页 |
| 3.2.2 CEC-2013中函数11的拟合结果 | 第60-65页 |
| 3.2.3 CEC-2013中函数13的拟合结果 | 第65-70页 |
| 3.2.4 CEC-2013中函数19的拟合结果 | 第70-75页 |
| 3.3 本章小节 | 第75-76页 |
| 第4章 高维空间函数拟合办法及结果 | 第76-83页 |
| 4.1 随机映射基础理论知识 | 第76-78页 |
| 4.2 随机映射和栅格细胞神经网络的结合 | 第78页 |
| 4.3 高维函数的拟合结果与比较 | 第78-82页 |
| 4.3.1 高维目标函数 | 第78-79页 |
| 4.3.2 拟合结果和比较 | 第79-82页 |
| 4.4 本章小结 | 第82-83页 |
| 第5章 栅格细胞神经网络与强化学习的结合 | 第83-99页 |
| 5.1 强化学习的介绍 | 第83-87页 |
| 5.1.1 强化学习 | 第83-86页 |
| 5.1.2 强化学习的四个主要子要素 | 第86-87页 |
| 5.2 强化学习算法简介 | 第87-91页 |
| 5.2.1 基本的强化学习模型 | 第87-88页 |
| 5.2.2 最优化准则 | 第88-90页 |
| 5.2.3 强化学习过程示意图 | 第90-91页 |
| 5.3 Q-Learning算法简介 | 第91-92页 |
| 5.4 栅格细胞神经网络和Q-Learning的结合 | 第92-94页 |
| 5.5 GQL和RQL对路径规划问题的结果比较 | 第94-98页 |
| 5.6 本章小结 | 第98-99页 |
| 结论 | 第99-100页 |
| 参考文献 | 第100-105页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第105-106页 |
| 致谢 | 第106-108页 |
