| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-27页 |
| ·人工神经网络简介 | 第11-21页 |
| ·人工神经网络的定义 | 第11-12页 |
| ·人工神经网络的发展历史 | 第12-16页 |
| ·人工神经网络的特性 | 第16页 |
| ·人工神经元 | 第16-18页 |
| ·人工神经网络的拓扑结构 | 第18-19页 |
| ·人工神经网络的一些研究问题 | 第19-20页 |
| ·人工神经网络研究的发展方向 | 第20-21页 |
| ·人工神经网络的学习算法 | 第21-23页 |
| ·人工神经网络的学习算法分类 | 第21页 |
| ·梯度下降算法 | 第21-23页 |
| ·高阶神经网络 | 第23-24页 |
| ·本文的主要工作 | 第24-27页 |
| 2 三类Sigma-Pi神经网络的批处理梯度算法收敛性分析 | 第27-45页 |
| ·背景介绍 | 第27页 |
| ·Sigma-Pi神经网络 | 第27-34页 |
| ·Sigma-Pi单元 | 第27-29页 |
| ·Sigma-Pi神经网络的等价性 | 第29-31页 |
| ·Σ-Π-Σ网络 | 第31-32页 |
| ·用批处理梯度算法训练Σ-Π-Σ网络 | 第32-34页 |
| ·主要的收敛性定理 | 第34-35页 |
| ·引理及定理的证明 | 第35-45页 |
| 3 用批处理梯度算法训练积单元神经网络的收敛性分析 | 第45-59页 |
| ·背景介绍 | 第45-46页 |
| ·具有幂指数权值结构的积单元神经网络(PUNN) | 第46-48页 |
| ·用批处理梯度算法训练PUNN | 第48-49页 |
| ·主要的收敛性定理 | 第49-50页 |
| ·数值试验 | 第50-51页 |
| ·引理及定理证明 | 第51-59页 |
| 4 用在线梯度法训练积单元神经网络的收敛性分析 | 第59-79页 |
| ·背景介绍 | 第59-60页 |
| ·积单元神经网络(PVNN) | 第60-61页 |
| ·用在线梯度算法训练积单元神经网络 | 第61-63页 |
| ·假设条件与重要的引理 | 第63-68页 |
| ·主要的收敛性定理 | 第68页 |
| ·数值试验 | 第68-70页 |
| ·引理与定理的证明 | 第70-79页 |
| 5 用二进积单元神经网络实现任意布尔函数 | 第79-93页 |
| ·背景介绍 | 第79-81页 |
| ·布尔函数 | 第81-82页 |
| ·二进积单元和二进积单元神经网络 | 第82-84页 |
| ·二进积单元(Binary Product Unit-BPU) | 第82-83页 |
| ·二进积单元神经网络(BPUNN) | 第83-84页 |
| ·用BPUNN实现任意布尔函数 | 第84-89页 |
| ·模拟逻辑运算"∨"、"∧"和"(?)" | 第84-85页 |
| ·主要定理及其证明 | 第85-87页 |
| ·构造可以实现任意N元布尔函数的BPUNN | 第87-88页 |
| ·BPUNN的规则读取算法 | 第88-89页 |
| ·BPUNN的真值数据实时处理功能 | 第89页 |
| ·应用举例 | 第89-93页 |
| 6 用二进Pi-Sigma神经网络实现任意布尔函数 | 第93-103页 |
| ·背景介绍 | 第93-94页 |
| ·布尔函数 | 第94-95页 |
| ·带有输入转换的二进Pi-Sigma神经网络 | 第95-97页 |
| ·BPSNN的隐节点 | 第95-96页 |
| ·带有输入转换的二进Pi-Sigma神经网络(BPSNN) | 第96-97页 |
| ·用BPSNN实现任意布尔函数 | 第97-101页 |
| ·模拟逻辑运算"∨"、"∧"和"(?)" | 第97-98页 |
| ·主要定理及其证明 | 第98-99页 |
| ·构造可以实现任意N元布尔函数f:{0,1}~N→{0,1}的BPSNN | 第99-100页 |
| ·BPSNN的规则读取算法 | 第100-101页 |
| ·BPSNN的真值数据实时处理功能 | 第101页 |
| ·应用举例 | 第101-103页 |
| 结论 | 第103-105页 |
| 参考文献 | 第105-109页 |
| 攻读博士学位期间学术论文完成情况 | 第109-111页 |
| 致谢 | 第111-113页 |
| 作者简介 | 第113-115页 |
