| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 课题的研究背景与意义 | 第9-10页 |
| 1.2 本文的主要内容和工作成果 | 第10-11页 |
| 1.3 本文的组织结构 | 第11-12页 |
| 第二章 权函数神经网络与算法复杂度介绍 | 第12-23页 |
| 2.1 生物神经网络简介 | 第12-14页 |
| 2.1.1 生物神经元及其结构 | 第12-13页 |
| 2.1.2 生物神经网络系统 | 第13-14页 |
| 2.2 人工神经网络 | 第14-18页 |
| 2.2.1 人工神经网络概述 | 第14页 |
| 2.2.2 人工神经元模型 | 第14-15页 |
| 2.2.3 人工神经网络特点 | 第15-16页 |
| 2.2.4 人工神经网络的学习规则 | 第16-17页 |
| 2.2.5 常见的神经网络 | 第17-18页 |
| 2.3 权函数神经网络 | 第18-20页 |
| 2.3.1 权函数神经网络拓扑结构 | 第18-19页 |
| 2.3.2 权函数神经网络算法训练原理 | 第19-20页 |
| 2.4 算法复杂度基础 | 第20-22页 |
| 2.4.1 算法的基本特征 | 第20-21页 |
| 2.4.2 算法的时间复杂度 | 第21-22页 |
| 2.4.3 算法的空间复杂度 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 分子三次分母一次有理样条权函数神经网络的算法复杂度研究 | 第23-49页 |
| 3.1 分子三次分母一次有理样条函数 | 第23-27页 |
| 3.1.1 样条函数 | 第23-24页 |
| 3.1.2 有理插值函数 | 第24-25页 |
| 3.1.3 三次Hermite插值函数 | 第25页 |
| 3.1.4 分子三次分母一次有理样条函数的形式 | 第25-27页 |
| 3.2 分母一次分子三次有理插值函数的形状控制 | 第27-28页 |
| 3.3 分母一次分子三次有理样条权函数神经网络算法的训练误差估计 | 第28-30页 |
| 3.3.1 Peano核定理 | 第28页 |
| 3.3.2 基于Peano核定理的训练算法的误差分析 | 第28-30页 |
| 3.4 分母一次分子三次有理样条权函数神经网络算法的复杂度分析 | 第30-34页 |
| 3.5 计算机存储系统对神经网络训练算法执行时间的影响 | 第34-35页 |
| 3.6 数值仿真实验 | 第35-48页 |
| 3.6.1 实验环境 | 第35页 |
| 3.6.2 实验过程与结论分析 | 第35-48页 |
| 3.7 本章小结 | 第48-49页 |
| 第四章 基于分子三次分母一次有理样条权函数神经网络算法的低功耗无线传感器缺失感知数据预测 | 第49-64页 |
| 4.1 预测学基础 | 第49-55页 |
| 4.1.1 预测的概念 | 第49页 |
| 4.1.2 预测学的产生与发展 | 第49-50页 |
| 4.1.3 预测的基本原则 | 第50-51页 |
| 4.1.4 预测的分类 | 第51-52页 |
| 4.1.5 预测的精度分析 | 第52-53页 |
| 4.1.6 预测工作的基本过程 | 第53-55页 |
| 4.2 几种常见的预测技术 | 第55-57页 |
| 4.2.1 定性预测法 | 第55页 |
| 4.2.2 回归分析预测法 | 第55-56页 |
| 4.2.3 趋势外推法 | 第56页 |
| 4.2.4 判别分析法 | 第56-57页 |
| 4.3 低功耗无线传感器的实现 | 第57页 |
| 4.4 基于有理样条权函数神经网络低功耗无线传感器缺失感知数据预测 | 第57-63页 |
| 4.4.1 基于神经网络的缺失感知数据预测方法 | 第58页 |
| 4.4.2 训练样本数据来源 | 第58-59页 |
| 4.4.3 数据预处理 | 第59-60页 |
| 4.4.4 仿真实验 | 第60-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64页 |
| 5.2 展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 附录1 程序清单 | 第69-70页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第70-71页 |
| 致谢 | 第71页 |
