| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-19页 |
| ·人工神经网络的简介 | 第9-13页 |
| ·关于人工神经网络的概念 | 第9页 |
| ·人工神经网络的发展 | 第9-10页 |
| ·人工神经元及网络的拓扑结构 | 第10-12页 |
| ·人工神经网络的研究方向 | 第12-13页 |
| ·人工神经网络的学习算法 | 第13-14页 |
| ·人工神经网络学习算法分类 | 第13-14页 |
| ·梯度算法 | 第14页 |
| ·高阶神经网络 | 第14-18页 |
| ·High-Order神经网络 | 第14-15页 |
| ·Pi-Sigma神经网络 | 第15-16页 |
| ·以Pi-Sigma神经网络为模板的各种高阶神经网络 | 第16-18页 |
| ·研究意义 | 第18页 |
| ·本文的主要工作 | 第18-19页 |
| 第二章 PI-SIGMA神经网络的基于乘子法随机单点在线梯度算法 | 第19-28页 |
| ·背景介绍 | 第19页 |
| ·Pi-Sigma神经网络的乘子法随机单点在线梯度算法 | 第19-24页 |
| ·随机单点在线梯度算法 | 第19-21页 |
| ·基于乘子法的随机单点在线梯度算法 | 第21-24页 |
| ·收敛速度分析 | 第24-25页 |
| ·仿真实验及结果分析 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 递归PI-SIGMA神经网络的带惩罚项的梯度算法分析 | 第28-37页 |
| ·背景介绍 | 第28页 |
| ·递归Pi-Sigma神经网络的带惩罚项的梯度算法 | 第28-31页 |
| ·递归Pi-Sigma神经网络 | 第28-29页 |
| ·带惩罚项的梯度算法 | 第29-31页 |
| ·带惩罚项的梯度算法收敛性分析 | 第31-34页 |
| ·仿真实验结果与分析 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 RIDGE POLYNOMIAL神经网络的梯度算法收敛性 | 第37-48页 |
| ·背景介绍 | 第37页 |
| ·Ridge Polynomial神经网络的梯度算法 | 第37-39页 |
| ·Pi-Sigma神经网络 | 第37-38页 |
| ·Ridge Polynomial神经网络的梯度算法 | 第38-39页 |
| ·主要的收敛性定理 | 第39-40页 |
| ·定理及相关引理的证明 | 第40-44页 |
| ·实验结果与分析 | 第44-47页 |
| ·本章总结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| ·本文的主要工作总结 | 第48页 |
| ·将来的工作展望 | 第48-50页 |
| 参考文献 | 第50-55页 |
| 致谢 | 第55-56页 |
| 攻读硕士学位期间发表论文及参与科研项目情况 | 第56页 |
