| 摘要 | 第1-7页 |
| ABSTRACT | 第7-15页 |
| 第一章 绪论 | 第15-26页 |
| ·分层混合专家建模的研究及意义 | 第15-17页 |
| ·分层混合专家网络的发展与现状 | 第17-19页 |
| ·委员会机器模型介绍 | 第19-23页 |
| ·静态委员会机器模型 | 第19-21页 |
| ·动态委员会机器模型 | 第21-23页 |
| ·单模块神经元网络的发展和现状 | 第23-25页 |
| ·论文内容及章节安排 | 第25-26页 |
| 第二章 分层混合专家和统计学基础理论 | 第26-37页 |
| ·神经网络理论基础 | 第26-31页 |
| ·神经网络介绍 | 第26-27页 |
| ·神经网络构成的基本原理 | 第27-30页 |
| ·神经网络的优点 | 第30页 |
| ·神经网络的应用领域 | 第30-31页 |
| ·分层混合专家理论基础 | 第31-33页 |
| ·分层混合专家介绍 | 第31页 |
| ·分层混合专家构成的基本原理 | 第31-33页 |
| ·聚类分析理论 | 第33-34页 |
| ·聚类分析 | 第33-34页 |
| ·聚类分析的类别和方法 | 第34页 |
| ·判别分析理论 | 第34-37页 |
| ·判别分析 | 第34-35页 |
| ·距离判别法 | 第35页 |
| ·判别准则 | 第35-37页 |
| 第三章 二阶网络应用研究与算法改进 | 第37-52页 |
| ·多层二阶神经网络 | 第37-41页 |
| ·二阶网络模型 | 第37-40页 |
| ·改进学习算法及其在二阶网络中的应用 | 第40-41页 |
| ·权值初始化 | 第41-44页 |
| ·权值初始化分析 | 第41-42页 |
| ·初始权值选择方法 | 第42-44页 |
| ·仿真实验 | 第44-51页 |
| ·实验背景 | 第44-45页 |
| ·实验结果与分析 | 第45-51页 |
| ·改进算法对学习速率的影响 | 第46-48页 |
| ·权值初始化对学习速率的影响 | 第48-49页 |
| ·二阶网络与一阶网络性能比较 | 第49页 |
| ·二阶网络仿真实验 | 第49-51页 |
| ·小结 | 第51-52页 |
| 第四章 基于二阶网络和判别分析建立新型HME物理模型 | 第52-66页 |
| ·分而治之思想与HME网络 | 第52-53页 |
| ·分而治之 | 第52页 |
| ·HME神经元网络 | 第52-53页 |
| ·模块化门网结构设计 | 第53-55页 |
| ·模块化设计的优点 | 第53页 |
| ·判别分析与欧氏距离 | 第53-54页 |
| ·门网结构设计 | 第54-55页 |
| ·新型分层混合专家模型建立 | 第55-59页 |
| ·模块分析 | 第56页 |
| ·NHME模型建立和算法推导 | 第56-59页 |
| ·实验仿真 | 第59-64页 |
| ·NHME和普通HME模型性能比较 | 第59-60页 |
| ·HME和二阶网络性能比较 | 第60-62页 |
| ·NHME仿真实验 | 第62-64页 |
| ·小结 | 第64-66页 |
| 第五章 新型分层混合专家算法与程序设计 | 第66-82页 |
| ·分步训练 | 第66-67页 |
| ·交叉划分输入空间 | 第67-68页 |
| ·数据处理 | 第68-69页 |
| ·激活函数选择 | 第69-70页 |
| ·负数概率 | 第70-73页 |
| ·负数概率和负数概率模型 | 第71-72页 |
| ·负数概率的物理意义 | 第72-73页 |
| ·程序设计 | 第73-78页 |
| ·NHME主程序设计 | 第73-74页 |
| ·NHME二阶网络专家程序设计 | 第74-76页 |
| ·NHME门网程序设计 | 第76-78页 |
| ·实验仿真 | 第78-81页 |
| ·负数概率和改进方法对NHME模型的影响 | 第78-79页 |
| ·NHME模型综合仿真实验 | 第79-81页 |
| ·小结 | 第81-82页 |
| 第六章 结论与展望 | 第82-85页 |
| ·工作总结 | 第82-84页 |
| ·课题改进和创新点简述 | 第82页 |
| ·工作内容总结 | 第82-84页 |
| ·研究展望 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89-90页 |
| 研究成果及发表的学术论文 | 第90-91页 |
| 作者及导师简介 | 第91-92页 |
| 硕士研究生学位论文答辩委员会决议书 | 第92-93页 |