基于共轭梯度的随机赋权神经网络
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-13页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·研究内容 | 第12页 |
| ·论文组织 | 第12-13页 |
| 第2章 基础知识 | 第13-22页 |
| ·ELM算法的基本原理 | 第13-14页 |
| ·广义逆和法方程 | 第14-18页 |
| ·广义逆的原理 | 第14-15页 |
| ·最小二乘解与法方程 | 第15-18页 |
| ·奇异值分解 | 第18-20页 |
| ·奇异值分解原理 | 第18-19页 |
| ·奇异值分解求广义逆 | 第19-20页 |
| ·本章小结 | 第20-22页 |
| 第3章CG-RWNNs工作原理 | 第22-32页 |
| ·共轭梯度法 | 第22-23页 |
| ·常用迭代法比较 | 第23-26页 |
| ·共轭梯度法的优化 | 第26-27页 |
| ·CG-RWNNs工作原理 | 第27-30页 |
| ·CG-RWNNs与ELM算法复杂度的比较 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第4章 实验与分析 | 第32-40页 |
| ·实验环境 | 第32页 |
| ·实验数据及分析 | 第32-36页 |
| ·两种方法在拟合问题上的比较 | 第34-35页 |
| ·两种方法在小型数据集分类问题上的比较 | 第35页 |
| ·两种方法在大型数据集分类问题上的比较 | 第35-36页 |
| ·两种方法同样例个数的关系 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 第5章 总结与展望 | 第40-41页 |
| ·本文总结 | 第40页 |
| ·工作展望 | 第40-41页 |
| 参考文献 | 第41-43页 |
| 致谢 | 第43页 |
