| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第一章 绪论 | 第12-15页 |
| §1.1 研究的背景和意义 | 第12-13页 |
| §1.2 研究的内容和意义 | 第13-15页 |
| 第二章 人工神经元网络的透明度 | 第15-30页 |
| §2.1 引言 | 第15-16页 |
| §2.2 神经元网络与"透明度"研究 | 第16-19页 |
| §2.2.1 基于"性能"的机器学习 | 第16-17页 |
| §2.2.2 关于"先验信息"与"知识" | 第17-18页 |
| §2.2.3 关于增加"透明度"研究中方法分类的讨论 | 第18-19页 |
| §2.3 将先验信息引入系统设计 | 第19-27页 |
| §2.3.1 拓扑结构约束 | 第20-21页 |
| §2.3.2 激活函数约束 | 第21-23页 |
| §2.3.3 权重约束 | 第23-24页 |
| §2.3.4 生成虚拟数据为模型施加先验信息约束 | 第24-27页 |
| §2.4 从模型中提取系统相关知识 | 第27页 |
| §2.5 小结 | 第27-30页 |
| 第三章 基于先验信息的模型构造 | 第30-36页 |
| §3.1 引言 | 第30-31页 |
| §3.2 广义约束神经元网络模型 | 第31-35页 |
| §3.2.1 定义 | 第31-33页 |
| §3.2.2 两种常见模型 | 第33-34页 |
| §3.2.3 模型应用中的问题 | 第34-35页 |
| §3.3 小结 | 第35-36页 |
| 第四章 基于互信息的分类模型选择 | 第36-65页 |
| §4.1 引言 | 第36-37页 |
| §4.2 熵、互信息及信息增益的相关定义 | 第37-40页 |
| §4.3 基于归一化互信息的学习模型 | 第40-41页 |
| §4.4 归一化互信息学习准则 | 第41-43页 |
| §4.5 互信息与分类器传统性能指标之间的关系 | 第43-59页 |
| §4.5.1 两类问题 | 第44-56页 |
| §4.5.2 多类问题 | 第56-59页 |
| §4.6 若干示例 | 第59-63页 |
| §4.6.1 两类问题 | 第59页 |
| §4.6.2 多类问题(包括拒识类) | 第59-63页 |
| §4.7 小结 | 第63-65页 |
| 第五章 应用统计方法研究互信息 | 第65-80页 |
| §5.1 引言 | 第65-68页 |
| §5.2 实验方法 | 第68-71页 |
| §5.2.1 k-折交叉验证 | 第68-69页 |
| §5.2.2 配对t测试 | 第69-71页 |
| §5.2.3 纠正重复取样t测试 | 第71页 |
| §5.3 统计实验 | 第71-79页 |
| §5.3.1 综合实验 | 第71-76页 |
| §5.3.2 特性实验 | 第76-79页 |
| §5.4 小结 | 第79-80页 |
| 第六章 结束语 | 第80-82页 |
| §6.1 工作回顾 | 第80-81页 |
| §6.2 展望 | 第81-82页 |
| 参考文献 | 第82-103页 |
| 攻读博士学位期间发表的论文 | 第103-104页 |
| 致谢 | 第104页 |