| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第16-32页 |
| 1.1 课题研究背景及研究意义 | 第16-18页 |
| 1.1.1 研究背景 | 第16-17页 |
| 1.1.2 研究意义 | 第17页 |
| 1.1.3 课题来源 | 第17-18页 |
| 1.2 神经网络发展及模块化神经网络简介 | 第18-23页 |
| 1.2.1 神经网络发展 | 第18-20页 |
| 1.2.2 脑网络模块化特征 | 第20-21页 |
| 1.2.3 模块化神经网络简介 | 第21-23页 |
| 1.3 模块化神经网络研究现状 | 第23-27页 |
| 1.3.1 任务分解方法研究现状 | 第23-25页 |
| 1.3.2 子网络构建研究现状 | 第25-26页 |
| 1.3.3 输出决策研究现状 | 第26-27页 |
| 1.4 论文主要工作 | 第27-29页 |
| 1.5 论文主要内容安排 | 第29-32页 |
| 第2章 模块化神经网络分区方法研究 | 第32-52页 |
| 2.1 引言 | 第32页 |
| 2.2 径向基函数神经网络简介 | 第32-34页 |
| 2.3 基于自适应共振理论的分区方法 | 第34-41页 |
| 2.3.1 自适应共振理论简介 | 第34页 |
| 2.3.2 基于自适应共振理论的分区方法验证 | 第34-38页 |
| 2.3.3 仿真实验及结果分析 | 第38-41页 |
| 2.3.4 小结 | 第41页 |
| 2.4 基于密度聚类的分区方法 | 第41-51页 |
| 2.4.1 基于密度的快速聚类算法 | 第41-42页 |
| 2.4.2 基于密度聚类的分区方法验证 | 第42-46页 |
| 2.4.3 仿真实验及结果分析 | 第46-51页 |
| 2.4.4 小结 | 第51页 |
| 2.5 本章小结 | 第51-52页 |
| 第3章 子网络改进型二阶学习算法研究 | 第52-70页 |
| 3.1 引言 | 第52页 |
| 3.2 牛顿算法 | 第52-55页 |
| 3.2.1 牛顿算法描述 | 第52-53页 |
| 3.2.2 牛顿算法收敛性分析 | 第53-55页 |
| 3.3 改进型二阶学习算法 | 第55-57页 |
| 3.3.1 Levenberg-Marquardt(LM)算法 | 第55-56页 |
| 3.3.2 改进型二阶学习算法 | 第56-57页 |
| 3.4 RBF神经网络改进型二阶学习算法研究 | 第57-59页 |
| 3.4.1 网络增长型结构设计 | 第57-58页 |
| 3.4.2 基于改进型二阶学习算法的网络参数训练 | 第58-59页 |
| 3.5 RBF神经网络改进型二阶学习算法应用 | 第59-67页 |
| 3.5.1 非线性sinE函数逼近 | 第60-62页 |
| 3.5.2 Mackey-Glass时间序列预测 | 第62-65页 |
| 3.5.3 出水总磷软测量 | 第65-67页 |
| 3.6 本章小结 | 第67-70页 |
| 第4章 基于任务驱动的子网络自组织设计方法 | 第70-90页 |
| 4.1 引言 | 第70页 |
| 4.2 RBF神经网络性能分析 | 第70-75页 |
| 4.2.1 结构对RBF神经网学习能力和泛化能力的影响 | 第71-74页 |
| 4.2.2 激活函数对RBF神经网收敛性能的影响 | 第74页 |
| 4.2.3 结构设计与参数调整间的相互作用 | 第74-75页 |
| 4.3 基于任务驱动的自组织RBF神经网络设计算法 | 第75-78页 |
| 4.3.1 自组织RBF神经网络优化设计 | 第75-77页 |
| 4.3.2 基于任务驱动的自组织RBF神经网络 | 第77-78页 |
| 4.4 仿真实验及结果分析 | 第78-88页 |
| 4.4.1 非线性二元函数逼近 | 第78-82页 |
| 4.4.2 非线性动态系统辨识 | 第82-84页 |
| 4.4.3 Lorenz混沌时间序列预测 | 第84-88页 |
| 4.5 本章小结 | 第88-90页 |
| 第5章 类脑模块化神经网络设计 | 第90-106页 |
| 5.1 引言 | 第90页 |
| 5.2 脑网络模块化特征分析 | 第90-91页 |
| 5.3 类脑模块化神经网络架构 | 第91-92页 |
| 5.4 类脑模块化神经网络优化设计 | 第92-96页 |
| 5.4.1 类脑模块化分区方法实现 | 第92-94页 |
| 5.4.2 子网络结构设计 | 第94-95页 |
| 5.4.3 输出决策层设计 | 第95页 |
| 5.4.4 类脑模块化神经网络 | 第95-96页 |
| 5.5 仿真实验及结果分析 | 第96-104页 |
| 5.5.1 Mackey-Glass时间序列预测 | 第96-98页 |
| 5.5.2 非线性函数逼近 | 第98-100页 |
| 5.5.3 非线性动态系统辨识 | 第100-102页 |
| 5.5.4 UCI回归问题 | 第102-104页 |
| 5.6 本章小结 | 第104-106页 |
| 第6章 污水处理过程关键出水参数软测量 | 第106-122页 |
| 6.1 引言 | 第106-107页 |
| 6.2 问题描述 | 第107-108页 |
| 6.2.1 城市污水处理系统简介 | 第107页 |
| 6.2.2 问题的提出 | 第107-108页 |
| 6.2.3 建模策略 | 第108页 |
| 6.3 模块化神经网络架构 | 第108-110页 |
| 6.4 基于模块化神经网络的关键出水参数软测量模型 | 第110-114页 |
| 6.4.1 辅助变量选取 | 第110-111页 |
| 6.4.2 子模型设计 | 第111-113页 |
| 6.4.3 输出决策 | 第113页 |
| 6.4.4 计算复杂度分析 | 第113-114页 |
| 6.5 污水处理过程仿真实验 | 第114-120页 |
| 6.6 本章小结 | 第120-122页 |
| 结论及展望 | 第122-126页 |
| 参考文献 | 第126-138页 |
| 攻读博士学位期间所取得的科研成果 | 第138-140页 |
| 致谢 | 第140-141页 |
