ART网络的鲁棒性增强方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景 | 第12-16页 |
| 1.1.1 互联网与数据挖掘 | 第12-13页 |
| 1.1.2 人工神经网络 | 第13-14页 |
| 1.1.3 自适应共振理论模型 | 第14-16页 |
| 1.2 研究意义 | 第16-17页 |
| 1.3 研究现状 | 第17-18页 |
| 1.4 研究内容 | 第18页 |
| 1.5 本文结构安排 | 第18-20页 |
| 第二章 ART网络结构和算法研究 | 第20-34页 |
| 2.1 人工神经网络结构和算法 | 第20-25页 |
| 2.1.1 人工神经元的数学模型 | 第20-22页 |
| 2.1.2 人工神经网络的连接结构 | 第22-23页 |
| 2.1.3 人工神经网络算法分析 | 第23-25页 |
| 2.2 ART网络 | 第25-32页 |
| 2.2.1 ART网络发展历程 | 第25-28页 |
| 2.2.2 ART1网络结构和算法 | 第28-30页 |
| 2.2.3 ART2网络结构和算法 | 第30-32页 |
| 2.3 ART网络的优缺点 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 ART2稳定性和可靠性增强研究 | 第34-55页 |
| 3.1 ART2模式漂移研究 | 第34-40页 |
| 3.1.1 ART2网络的模式漂移现象 | 第34-35页 |
| 3.1.2 分流模型 | 第35-36页 |
| 3.1.3 内星学习规则 | 第36-38页 |
| 3.1.4 权值修正算法产生模式漂移的原理分析 | 第38-40页 |
| 3.2 输入顺序引起的网络震荡 | 第40-42页 |
| 3.3 算法改进 | 第42-46页 |
| 3.3.1 针对模式漂移的算法改进策略 | 第42-44页 |
| 3.3.2 针对输入顺序的算法改进策略 | 第44-45页 |
| 3.3.3 改进的ART2网络 | 第45-46页 |
| 3.4 实验仿真 | 第46-53页 |
| 3.4.1 程序结构 | 第46页 |
| 3.4.2 程序流程 | 第46-48页 |
| 3.4.3 仿真结果 | 第48-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第四章 ART2抗噪性增强研究 | 第55-72页 |
| 4.1 ART2网络的噪声问题研究 | 第55-57页 |
| 4.1.1 ART2网络噪声问题的影响 | 第55-56页 |
| 4.1.2 ART2网络噪声问题的产生原因 | 第56-57页 |
| 4.2 ART2网络的抗噪性问题研究 | 第57-60页 |
| 4.2.1 噪声的特性和解决策略 | 第57-58页 |
| 4.2.2 生物神经网络的噪声处理策略 | 第58页 |
| 4.2.3 记忆遗忘机制与艾宾浩斯记忆-遗忘曲线 | 第58-60页 |
| 4.3 ART2网络的抗噪性算法改进 | 第60-63页 |
| 4.3.1 改进策略 | 第60-61页 |
| 4.3.2 改进细节 | 第61页 |
| 4.3.3 参数设计 | 第61-63页 |
| 4.4 实验仿真 | 第63-67页 |
| 4.4.1 仿真平台结构和程序流程 | 第63-65页 |
| 4.4.2 仿真结果和分析 | 第65-67页 |
| 4.5 改进ART2网络应用分析 | 第67-71页 |
| 4.5.1 鸢尾花数据集应用分析 | 第67-69页 |
| 4.5.2 鲍鱼数据集应用分析 | 第69-71页 |
| 4.6 本章小结 | 第71-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 本文主要工作及创新点 | 第72页 |
| 5.2 下一步研究目标 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士期间取得的科研成果 | 第79-80页 |
