| 目录 | 第1-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第7-13页 |
| ·智能信息处理的发展 | 第7页 |
| ·混沌与神经网络相结合的方法在智能信息处理中的巨大优势 | 第7-9页 |
| ·混沌的起源和发展 | 第7-8页 |
| ·人工神经网络在信息处理中的优势 | 第8-9页 |
| ·混沌神经网络与智能信息处理 | 第9页 |
| ·用于联想记忆的混沌神经网络研究现状 | 第9-11页 |
| ·国外研究现状 | 第9-10页 |
| ·国内研究现状 | 第10-11页 |
| ·论文研究的意义 | 第11页 |
| ·内容安排和具体工作 | 第11-13页 |
| 第二章 混沌神经网络的理论基础 | 第13-20页 |
| ·神经元的非线性动力学及模型 | 第13-16页 |
| ·混沌神经元模型 | 第16-17页 |
| ·混沌神经网络模型 | 第17-18页 |
| ·混沌神经网络的主要应用 | 第18-20页 |
| ·动态联想记忆 | 第18页 |
| ·混沌优化 | 第18-19页 |
| ·混沌预测 | 第19-20页 |
| 第三章 混沌神经网络模型参数对联想记忆特性的影响 | 第20-34页 |
| ·引言 | 第20页 |
| ·用ICAM分离叠加模式的原理 | 第20-22页 |
| ·联想记忆混沌神经网络编码原理 | 第20-21页 |
| ·用ICAM分离叠加模式 | 第21-22页 |
| ·参数设置对分离叠加模式效果的影响 | 第22-29页 |
| ·反馈项衰减因子k~(r1)对分离效果的影响 | 第22-23页 |
| ·外部输入项衰减因子k~(r2)和v_(ij)对分离效果的影响 | 第23-25页 |
| ·神经元不应性衰减因子k~(r3)和α对分离效果的影响 | 第25-27页 |
| ·Logistic函数的控制参数ε对分离效果的影响 | 第27-28页 |
| ·权值学习算法对分离效果的影响 | 第28-29页 |
| ·仿真实验及结果 | 第29-32页 |
| ·分离叠加模式 | 第29-31页 |
| ·信息恢复 | 第31-32页 |
| ·仿真实验结果 | 第32页 |
| ·讨论 | 第32-34页 |
| 第四章 多对多联想记忆混沌神经网络模型的研究 | 第34-42页 |
| ·引言 | 第34页 |
| ·多对多联想记忆原理 | 第34-35页 |
| ·改进的混沌神经网络 | 第35-36页 |
| ·MCAM模型结构 | 第35页 |
| ·MCAM模型的动力学原理 | 第35-36页 |
| ·用MCAM实现分离叠加模式 | 第36-38页 |
| ·分离过程分析 | 第36页 |
| ·仿真实验结果 | 第36-38页 |
| ·用MCAM实现多对多联想 | 第38-41页 |
| ·讨论 | 第41-42页 |
| 第五章 连续学习混沌神经网络的研究 | 第42-50页 |
| ·引言 | 第42页 |
| ·单层连续学习混沌神经网络 | 第42-44页 |
| ·单层SLCNN模型 | 第42页 |
| ·区分已知模式和未知模式的原理 | 第42-44页 |
| ·未知模式的学习 | 第44页 |
| ·多层连续学习混沌神经网络 | 第44-45页 |
| ·多层SLCNN结构 | 第44页 |
| ·多层SLCNN动力学原理 | 第44-45页 |
| ·新型连续学习混沌神经网络 | 第45-46页 |
| ·NSLCNN模型结构 | 第45页 |
| ·NSLCNN动力学原理 | 第45-46页 |
| ·计算机仿真实验 | 第46-49页 |
| ·仿真实验步骤 | 第46页 |
| ·仿真实验结果 | 第46-49页 |
| ·讨论 | 第49-50页 |
| 第六章 结论及展望 | 第50-52页 |
| ·结论 | 第50-51页 |
| ·进一步开展的工作 | 第51-52页 |
| 附录: 攻读硕士期间的科研成果 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58页 |
