| 第一章 绪论 | 第1-19页 |
| ·选题背景与研究意义 | 第7-8页 |
| ·RBFNN 发展与应用 | 第8-9页 |
| ·分类基本原理与常用方法 | 第9-12页 |
| ·决策树归纳分类 | 第9-10页 |
| ·贝叶斯分类 | 第10-11页 |
| ·神经网络学习分类 | 第11页 |
| ·K-近邻分类 | 第11-12页 |
| ·神经网络学习理论 | 第12-17页 |
| ·学习的统计性能 | 第13-15页 |
| ·学习的动态特性 | 第15-17页 |
| ·文章结构安排及创新点 | 第17-19页 |
| 第二章 RNFNN 和遗传算法的理论基础 | 第19-36页 |
| ·RBFNN 基本原理 | 第19-32页 |
| ·RBF 基函数 | 第19-20页 |
| ·RBFNN 结构 | 第20-21页 |
| ·RBFNN 分类机理 | 第21-23页 |
| ·正则化理论 | 第23-27页 |
| ·RBFNN 中心确定算法 | 第27-32页 |
| ·遗传算法基本原理 | 第32-35页 |
| ·GA 的基本流程 | 第32-33页 |
| ·GA 基本特点 | 第33-34页 |
| ·GA 与NN 结合的必要性 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 基于三阶段RBFNN 学习算法的复杂样本分类研究 | 第36-48页 |
| ·引言 | 第36-37页 |
| ·动态衰减聚类半径的聚类算法(DDRSC)确定隐节点结构 | 第37-38页 |
| ·利用误差平方和进行隐层中心的微调 | 第38-40页 |
| ·误差平方和准则(J_c 准则) | 第39页 |
| ·利用J_c 准则微调过程 | 第39-40页 |
| ·利用类内类间距确定径基宽度σ | 第40-42页 |
| ·利用样本分布信息确定σ | 第40-41页 |
| ·利用类间类内距离确定σ | 第41-42页 |
| ·仿真实验及结论 | 第42-47页 |
| ·实验1 | 第42-43页 |
| ·实验2 | 第43-45页 |
| ·实验3 | 第45-47页 |
| ·讨论 | 第47页 |
| ·本章小结 | 第47-48页 |
| 第四章 复杂样本分类的GA-RBFNN 方法 | 第48-60页 |
| ·引言 | 第48-49页 |
| ·利用GA 构造RBFNN | 第49-53页 |
| ·网络隐节点结构和参数的混合编码 | 第49页 |
| ·初始化 | 第49-50页 |
| ·染色体评价与选择 | 第50-51页 |
| ·交叉运算 | 第51页 |
| ·变异运算 | 第51-53页 |
| ·GA-RBFNN 算法总体步骤 | 第53页 |
| ·仿真实验及结论 | 第53-58页 |
| ·实验1 | 第53-55页 |
| ·实验2 | 第55-57页 |
| ·实验3 | 第57-58页 |
| ·讨论 | 第58页 |
| ·本章小结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| ·全文总结 | 第60-61页 |
| ·存在的问题和研究前景 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 发表论文和科研情况说明 | 第65-66页 |
| 致谢 | 第66页 |