基于近域去重法改进的BP神经网络算法
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 论文研究的背景 | 第9-10页 |
| 1.2 研究的目的和意义 | 第10页 |
| 1.3 组织结构与研究内容 | 第10-12页 |
| 第二章 BP神经网络相关知识 | 第12-26页 |
| 2.1 神经网络起源 | 第12-20页 |
| 2.1.1 人工神经网络 | 第12-13页 |
| 2.1.2 感知器与线性问题 | 第13-14页 |
| 2.1.3 sgimod函数与非线性问题 | 第14-18页 |
| 2.1.4 学习算法 | 第18-20页 |
| 2.2 BP神经网络 | 第20-26页 |
| 2.2.1 BP算法的推导 | 第21-22页 |
| 2.2.2 BP算法步骤和流程图 | 第22-24页 |
| 2.2.3 BP神经网络算法的缺陷 | 第24-26页 |
| 第三章 BP神经网络改进研究现状 | 第26-46页 |
| 3.1 基于最优化理论的改进 | 第26-35页 |
| 3.1.1 牛顿法 | 第26-27页 |
| 3.1.2 线搜索法 | 第27-29页 |
| 3.1.3 信赖域算法 | 第29-30页 |
| 3.1.4 拟牛顿法 | 第30-32页 |
| 3.1.5 共轭梯度法 | 第32-34页 |
| 3.1.6 最优化方法总结 | 第34-35页 |
| 3.2 学习速率 | 第35-37页 |
| 3.3 动量因子 | 第37页 |
| 3.4 激活函数 | 第37-40页 |
| 3.5 BP神经网络的结构与初始值 | 第40-42页 |
| 3.6 启发式算法 | 第42-46页 |
| 3.6.1 遗传算法 | 第43-44页 |
| 3.6.2 模拟退火算法 | 第44页 |
| 3.6.3 启发式算法总结 | 第44-46页 |
| 第四章 近域去重法改进的BP神经网络算法 | 第46-62页 |
| 4.1 背景知识 | 第46-47页 |
| 4.2 改进的BP神经网络算法 | 第47-53页 |
| 4.2.1 爬坡法 | 第48-49页 |
| 4.2.2 遗传算法搜索法 | 第49-50页 |
| 4.2.3 近域去重法 | 第50-51页 |
| 4.2.4 改进的BP神经网络算法 | 第51-53页 |
| 4.3 实验 | 第53-62页 |
| 4.3.1 数据集介绍 | 第53-54页 |
| 4.3.2 实验步骤 | 第54页 |
| 4.3.3 MNTST数据集实验情况 | 第54-58页 |
| 4.3.4 Abalone数据集实验情况 | 第58-61页 |
| 4.3.5 实验结论 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 本文总结 | 第62-63页 |
| 5.2 研究展望 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 附录A 图索引 | 第69-70页 |
| Appendix A Figure index | 第70-71页 |
| 致谢 | 第71-73页 |
| 攻读硕士学位期间发表的学术论文 | 第73页 |
