| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 论文的研究背景及意义 | 第10-14页 |
| 1.1.1 实值神经网络 | 第10页 |
| 1.1.2 分离复值神经网络 | 第10-13页 |
| 1.1.3 全复神经网络 | 第13-14页 |
| 1.2 复值神经网络国内外研究现状 | 第14-15页 |
| 1.3 论文的主要内容 | 第15-17页 |
| 第2章 相关的理论知识 | 第17-36页 |
| 2.1 C-R算子 | 第17-30页 |
| 2.1.1 R -导数和C-导数之间的联系 | 第21-23页 |
| 2.1.2 复梯度 | 第23-25页 |
| 2.1.3 误差函数的梯度 | 第25-26页 |
| 2.1.4 复雅可比矩阵和复微分 | 第26-27页 |
| 2.1.5 复海森矩阵 | 第27-29页 |
| 2.1.6 复变换实值函数的泰勒级数展开 | 第29-30页 |
| 2.2 复变量实值函数的优化算法 | 第30-35页 |
| 2.2.1 复梯度下降算法 | 第30-34页 |
| 2.2.2 增广的牛顿法 | 第34-35页 |
| 2.3 本章小结 | 第35-36页 |
| 第3章 增强型的复值神经网络算法收敛性分析 | 第36-55页 |
| 3.1 引言 | 第36-37页 |
| 3.2 增强型CVNNs学习算法 | 第37-43页 |
| 3.3 算法收敛性分析与证明 | 第43-51页 |
| 3.4 数值实验 | 第51-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第4章 复值神经网络中带惩罚项梯度算法的收敛性 | 第55-63页 |
| 4.1 引言 | 第55页 |
| 4.2 带inner-product惩罚项的学习算法 | 第55-57页 |
| 4.3 算法的收敛性分析与证明 | 第57-61页 |
| 4.4 带weight-decay惩罚项的学习算法 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第70-71页 |
| 致谢 | 第71页 |