基于迭代神经网络的复杂结构模式的分类方法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·课题来源 | 第9页 |
| ·研究的内容和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·本文的主要工作 | 第11-12页 |
| ·文章的组织结构 | 第12-13页 |
| 第二章 结构数据表示模型及应用实例 | 第13-19页 |
| ·引言 | 第13-14页 |
| ·结构数据表示模型 | 第14-15页 |
| ·应用实例 | 第15-18页 |
| ·图像处理 | 第15-16页 |
| ·文档处理 | 第16-17页 |
| ·Internet行为 | 第17-18页 |
| ·小结 | 第18-19页 |
| 第三章 有监督的前向神经网络模型和训练算法 | 第19-39页 |
| ·引言 | 第19页 |
| ·基本网络模型 | 第19-20页 |
| ·训练样本介绍 | 第20页 |
| ·BP与LMBP算法 | 第20-26页 |
| ·BP算法 | 第20-22页 |
| ·LMBP算法 | 第22-25页 |
| ·实验结果对比 | 第25-26页 |
| ·粒子群算法 | 第26-36页 |
| ·现有算法介绍 | 第26-28页 |
| ·提出基于global best算子的粒子群算法 | 第28-29页 |
| ·实验方法 | 第29-31页 |
| ·实验结果 | 第31-35页 |
| ·广义粒子群算法 | 第35-36页 |
| ·几个问题的讨论 | 第36-38页 |
| ·小结 | 第38-39页 |
| 第四章 有监督的迭代神经网络模型和训练算法 | 第39-49页 |
| ·引言 | 第39页 |
| ·基本网络模型 | 第39-42页 |
| ·训练样本介绍 | 第42-43页 |
| ·BPTS算法 | 第43-44页 |
| ·粒子群训练算法 | 第44-45页 |
| ·实验结果 | 第45-47页 |
| ·小结 | 第47-49页 |
| 第五章 无监督的自组织映射神经网络模型和训练方法 | 第49-58页 |
| ·引言 | 第49页 |
| ·基本网络模型 | 第49-50页 |
| ·基本算法及改进模型 | 第50-54页 |
| ·基本算法 | 第50-51页 |
| ·生长自组织映射和生长分级自组织映射 | 第51-53页 |
| ·无参数自组织映射 | 第53页 |
| ·无参数生长自组织映射 | 第53-54页 |
| ·实验结果 | 第54-56页 |
| ·小结 | 第56-58页 |
| 第六章 无监督的迭代神经网络模型和训练算法 | 第58-65页 |
| ·引言 | 第58页 |
| ·基本网络模型 | 第58-59页 |
| ·算法介绍 | 第59-61页 |
| ·基本SOMTS算法 | 第59-60页 |
| ·生长SOMTS算法 | 第60-61页 |
| ·无参数SOMTS算法 | 第61页 |
| ·无参数生长SOMTS算法 | 第61页 |
| ·实验结果 | 第61-64页 |
| ·小结 | 第64-65页 |
| 第七章 总结和展望 | 第65-68页 |
| ·主要工作和成果总结 | 第65-66页 |
| ·未来工作展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间发表的论文 | 第71-72页 |
| 致谢 | 第72-73页 |
