| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-19页 |
| ·人工神经网络概述 | 第9-13页 |
| ·人工神经网络概念 | 第9-10页 |
| ·人工神经网络特性 | 第10页 |
| ·人工神经网络发展与现状 | 第10-12页 |
| ·人工神经网络应用 | 第12-13页 |
| ·二值前向网络的研究现状 | 第13-16页 |
| ·二值前向网络的分类能力 | 第13-14页 |
| ·二值前向网络的分类行为与稳健性能 | 第14-15页 |
| ·二值前向网络的训练 | 第15-16页 |
| ·本文的研究内容及成果 | 第16-17页 |
| ·论文组织结构 | 第17-19页 |
| 第2章 MADALINE网络模型、特征及其相关符号约定 | 第19-28页 |
| ·MADALINE神经网络模型 | 第19-24页 |
| ·神经元的数理模型 | 第19-21页 |
| ·人工神经网络模型 | 第21-22页 |
| ·MADALNE网络模型 | 第22-24页 |
| ·MADALINE网络特征 | 第24-26页 |
| ·MADALINE网络的样本空间 | 第24页 |
| ·MADALINE网络的分类能力 | 第24-25页 |
| ·MADALINE网络的性能指标 | 第25-26页 |
| ·本文相关符号约定 | 第26-28页 |
| 第3章 基于半超球面模型的MADALINES敏感性理论 | 第28-39页 |
| ·Hoff提出的近似超球面概念 | 第28-30页 |
| ·权值扰动下的ADALINE的敏感性 | 第30-33页 |
| ·输入扰动下ADALINE的敏感性 | 第33-36页 |
| ·在权值扰动和输入错误情况下ADALINE敏感性计算 | 第36-37页 |
| ·MADALINE敏感性计算 | 第37-39页 |
| 第4章 MRII学习算法 | 第39-44页 |
| ·最小扰动原则 | 第39-40页 |
| ·MRII学习规则 | 第40页 |
| ·MRII实现细则 | 第40-42页 |
| ·MRII性能分析 | 第42-44页 |
| ·MRII的性能优势 | 第42页 |
| ·MRII的不足 | 第42-44页 |
| 第5章 基于"敏感性理论"的MADALINE学习算法 | 第44-55页 |
| ·敏感性概念及其计算 | 第44-46页 |
| ·结点敏感性和网络敏感性的内涵 | 第44页 |
| ·结点敏感性的计算 | 第44-45页 |
| ·MADALINE网络敏感性的计算 | 第45-46页 |
| ·算法设计的基本思想 | 第46-47页 |
| ·学习规则设计 | 第47-50页 |
| ·算法设计细则 | 第50-55页 |
| ·学习顺序 | 第50-52页 |
| ·结点接受学习的准则 | 第52-55页 |
| 第6章 新学习算法验证实验 | 第55-65页 |
| ·度量学习算法的性能指标 | 第55-56页 |
| ·"AND/XOR"问题 | 第56-58页 |
| ·The MONK's Problem | 第58-60页 |
| ·新学习算法与MRⅡ的一组对比实验 | 第60-63页 |
| ·"图像边际检测"问题 | 第60-62页 |
| ·模拟一16input-3-3已知网络 | 第62-63页 |
| ·学习算法的性能特点 | 第63-65页 |
| 第7章 新学习算法的失败模式及其改善算法 | 第65-75页 |
| ·学习算法的失败模式——"局部震荡" | 第65-67页 |
| ·让网络跳出"局部振荡"局面的基本思想 | 第67页 |
| ·施加权扰动算法的实施细则 | 第67-70页 |
| ·扰动结点的选取 | 第67-68页 |
| ·权扰动增量ΔW的选取 | 第68-69页 |
| ·网络陷入"局部振荡"状态的判定 | 第69页 |
| ·权扰动算法的实现 | 第69-70页 |
| ·验证实验 | 第70-75页 |
| ·"AND/XOR"问题 | 第71-73页 |
| ·"图像边际检测"问题 | 第73-75页 |
| 第8章 总结与展望 | 第75-78页 |
| ·本文工作总结 | 第75-76页 |
| ·进一步研究与展望 | 第76-78页 |
| 参考文献 | 第78-80页 |
| 致谢 | 第80页 |
