RBF神经网络的优化设计及应用
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 选题背景和意义 | 第10-11页 |
| 1.2 国内外研究发展现状 | 第11-13页 |
| 1.3 论文的主要工作 | 第13-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 第二章 径向基函数神经网络 | 第16-23页 |
| 2.1 RBF神经网络结构 | 第16-18页 |
| 2.2 RBF神经网络的学习 | 第18-22页 |
| 2.2.1 隐层结构的确定 | 第19-20页 |
| 2.2.2 输出权值的确定 | 第20-21页 |
| 2.2.3 网络参数的进一步优化 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 隐层结构的确定算法 | 第23-35页 |
| 3.1 MS算法 | 第23-25页 |
| 3.2 MDC算法 | 第25-26页 |
| 3.3 MMDC算法 | 第26-28页 |
| 3.4 算法复杂度比较 | 第28-29页 |
| 3.5 降低空间复杂度的机制 | 第29页 |
| 3.6 实验仿真 | 第29-34页 |
| 3.6.1 人工合成数据集 | 第29-31页 |
| 3.6.2 带有噪声的数据集 | 第31-32页 |
| 3.6.3 大规模数据集 | 第32-34页 |
| 3.7 本章小结 | 第34-35页 |
| 第四章 广义混合构建学习算法 | 第35-65页 |
| 4.1 HC学习算法 | 第36-39页 |
| 4.1.1 混合优化算法 | 第36-38页 |
| 4.1.2 增量构建机制 | 第38-39页 |
| 4.2 二输出情况下的GHC学习算法 | 第39-52页 |
| 4.2.1 基于MS算法的初始化方法 | 第40-41页 |
| 4.2.2 结构化参数优化算法 | 第41-45页 |
| 4.2.3 改进的增量构建机制 | 第45-49页 |
| 4.2.4 GHC学习算法流程 | 第49-52页 |
| 4.3 多输出情况下的GHC学习算法 | 第52-54页 |
| 4.4 计算复杂度分析 | 第54-56页 |
| 4.5 实验仿真 | 第56-64页 |
| 4.5.1 验证IIC机制的有效性 | 第57-59页 |
| 4.5.2 收敛速度比较 | 第59-60页 |
| 4.5.3 与其他分类算法比较 | 第60-64页 |
| 4.6 本章小结 | 第64-65页 |
| 第五章 稀疏构建学习算法 | 第65-87页 |
| 5.1 问题描述 | 第65-67页 |
| 5.2 SC学习算法 | 第67-74页 |
| 5.2.1 网络的初始参数设置 | 第67-68页 |
| 5.2.2 SOWL-QN算法 | 第68-73页 |
| 5.2.3 SC学习算法流程 | 第73-74页 |
| 5.3 实验仿真 | 第74-86页 |
| 5.3.1 参数分析 | 第74-79页 |
| 5.3.2 与其他分类算法比较 | 第79-86页 |
| 5.4 本章小结 | 第86-87页 |
| 第六章 总结与展望 | 第87-88页 |
| 参考文献 | 第88-93页 |
| 附录 式（4-18）的推导 | 第93-96页 |
| 攻读硕士学位期间科研论文 | 第96-97页 |
| 致谢 | 第97-98页 |
