| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-20页 |
| ·人工神经网络简介 | 第10-16页 |
| ·神经网络的发展史 | 第10-11页 |
| ·初始发展阶段(20世纪40年代至20世纪60年代) | 第10页 |
| ·低谷期(20世纪60年代末至20世纪70年代末) | 第10-11页 |
| ·兴盛期(20世纪80年代后) | 第11页 |
| ·神经网络的结构与特征 | 第11-13页 |
| ·单层前馈神经网络 | 第11页 |
| ·多层前馈神经网络 | 第11-13页 |
| ·递归神经网络 | 第13页 |
| ·神经网络的学习过程和规则 | 第13-15页 |
| ·常见学习过程分类 | 第14-15页 |
| ·学习规则 | 第15页 |
| ·神经网络的研究内容 | 第15-16页 |
| ·前馈神经网络学习算法 | 第16-18页 |
| ·批处理与在线梯度算法 | 第16-17页 |
| ·批处理学习(Batch Learning) | 第16-17页 |
| ·增量学习(Incremental Learning) | 第17页 |
| ·带动量项的梯度学习算法 | 第17页 |
| ·带惩罚项的梯度学习算法 | 第17-18页 |
| ·本文的主要工作 | 第18-20页 |
| 2 双并联前馈神经网络梯度学习算法的收敛性 | 第20-33页 |
| ·背景介绍 | 第20-21页 |
| ·网络结构与学习算法 | 第21-23页 |
| ·主要结果 | 第23页 |
| ·数值试验 | 第23-28页 |
| ·实验1：奇偶问题 | 第23-24页 |
| ·实验2：逼近问题 | 第24-26页 |
| ·实验3：预测问题 | 第26-28页 |
| ·引理及定理的证明 | 第28-33页 |
| 3 BP神经网络梯度学习算法 | 第33-50页 |
| ·背景介绍 | 第33-34页 |
| ·算法描述：固定次序和特定随机模式 | 第34-37页 |
| ·主要结论 | 第37-38页 |
| ·证明 | 第38-50页 |
| ·固定次序模式收敛性分析 | 第38-47页 |
| ·特定随机模式收敛性分析 | 第47-50页 |
| 4 带动量项的BP神经网络梯度学习算法 | 第50-67页 |
| ·背景介绍 | 第50-51页 |
| ·算法描述 | 第51-55页 |
| ·主要结论 | 第55页 |
| ·定理证明 | 第55-67页 |
| ·固定次序算法的收敛性分析 | 第56-64页 |
| ·特定随机次序算法的收敛性分析 | 第64-67页 |
| 5 带惩罚项的BP神经网络梯度学习算法 | 第67-84页 |
| ·背景介绍 | 第67-68页 |
| ·算法描述 | 第68-70页 |
| ·带惩罚项BP神经网络的固定次序学习算法 | 第69-70页 |
| ·带惩罚项BP神经网络的特定随机学习算法 | 第70页 |
| ·主要结果 | 第70-71页 |
| ·数值模拟 | 第71-75页 |
| ·实验1：4维奇偶问题 | 第71-72页 |
| ·实验2：逼近问题 | 第72-74页 |
| ·实验3：基准分类问题 | 第74-75页 |
| ·算法收敛性证明 | 第75-84页 |
| 结论与展望 | 第84-86页 |
| 结论 | 第84页 |
| 展望 | 第84-86页 |
| 创新点摘要 | 第86-88页 |
| 参考文献 | 第88-94页 |
| 攻读博士学位期间学术论文完成情况 | 第94-96页 |
| 致谢 | 第96-98页 |
| 作者简介 | 第98-100页 |
