神经网络学习算法研究
| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-7页 |
| 第一章 绪论 | 第7-14页 |
| ·神经网络的历史和综述 | 第7-8页 |
| ·神经网络功能和特点 | 第8-12页 |
| ·神经网络功能 | 第8页 |
| ·神经网络特点 | 第8-10页 |
| ·神经网络学习类型 | 第10-11页 |
| ·神经网络缺点 | 第11-12页 |
| ·本文研究内容与章节结构 | 第12-14页 |
| 第二章 神经网络基本概念 | 第14-25页 |
| ·大脑结构和组织 | 第14-15页 |
| ·神经元模型和传递函数 | 第15-18页 |
| ·感知器模型 | 第18-20页 |
| ·单层感知器模型 | 第18-20页 |
| ·多层感知器模型 | 第20页 |
| ·前馈神经网络 | 第20-22页 |
| ·反馈神经网络 | 第22-25页 |
| 第三章 学习算法 | 第25-34页 |
| ·梯度下降法 | 第25-26页 |
| ·Levenberg-Marquardt 法 | 第26-28页 |
| ·共轭梯度下降法 | 第28-29页 |
| ·Matlab R2007b 实现算法 | 第29-30页 |
| ·粒子群算法 | 第30-34页 |
| ·基本粒子群算法 | 第30-32页 |
| ·粒子群算法基本步骤 | 第32页 |
| ·测试函数 | 第32-34页 |
| 第四章 模块化神经网络 | 第34-41页 |
| ·研究背景 | 第34页 |
| ·最优模块化神经网络结构 | 第34-36页 |
| ·数据的分类和费歇尔判别法 | 第36-37页 |
| ·仿真研究 | 第37-41页 |
| 第五章 傅立叶神经网络 | 第41-49页 |
| ·傅立叶数学模型 | 第41-42页 |
| ·傅立叶神经网络 | 第42-43页 |
| ·傅立叶神经网络原理 | 第42页 |
| ·傅立叶神经网络模型 | 第42-43页 |
| ·傅立叶神经网络训练算法 | 第43-44页 |
| ·实验分析 | 第44-49页 |
| 第六章 粒子群算法在神经网络训练中研究 | 第49-54页 |
| ·粒子群算法在神经网络中研究 | 第49页 |
| ·BP 网络逼近定理和传递函数 | 第49-50页 |
| ·BP 网络逼近定理 | 第49-50页 |
| ·目标函数 | 第50页 |
| ·GPSO-BP 粒子群算法 | 第50-51页 |
| ·实验分析 | 第51-54页 |
| ·泛化能力比较 | 第52页 |
| ·算法稳定性比较 | 第52-54页 |
| 第七章 结论 | 第54-56页 |
| ·论文总结 | 第54-55页 |
| ·未来工作 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录 | 第60-63页 |
| 在学期间公开发表论文及著作情况 | 第63-64页 |
| 后记 | 第64页 |
