| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文的主要内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第二章 复数值前向神经网络 | 第15-24页 |
| 2.1 复数值前向神经网络结构 | 第15-18页 |
| 2.1.1 实部虚部型复数值前向神经网络 | 第16页 |
| 2.1.2 幅度相位型复数值前向神经网络 | 第16-17页 |
| 2.1.3 全复数值前向神经网络 | 第17-18页 |
| 2.2 复数值前向神经网络的学习 | 第18-22页 |
| 2.2.1 网络的训练算法 | 第18-20页 |
| 2.2.2 学习步长的计算方法 | 第20-22页 |
| 2.2.3 网络结构的确定方法 | 第22页 |
| 2.3 实数值转换到复数域的方法 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 实部虚部型复数值前向神经网络 | 第24-34页 |
| 3.1 网络的训练算法 | 第24-27页 |
| 3.1.1 基于可调节增益参数的复数值L-BFGS算法 | 第24-27页 |
| 3.1.2 网络训练的步骤 | 第27页 |
| 3.2 实验仿真 | 第27-32页 |
| 3.2.1 算法的收敛性比较 | 第28-29页 |
| 3.2.2 参数初始值选择范围对网络训练的影响 | 第29-31页 |
| 3.2.3 实验结果和其他算法的比较 | 第31-32页 |
| 3.3 本章小结 | 第32-34页 |
| 第四章 幅度相位型复数值前向神经网络 | 第34-44页 |
| 4.1 网络的训练算法 | 第34-38页 |
| 4.1.1 正则化项 | 第34-36页 |
| 4.1.2 L-BFGS算法在网络中的具体应用 | 第36-38页 |
| 4.2 实验仿真 | 第38-42页 |
| 4.2.1 信号的幅度值变化时的对比实验 | 第39-40页 |
| 4.2.2 信号的相位值变化时的对比实验 | 第40-42页 |
| 4.3 本章小结 | 第42-44页 |
| 第五章 全复数值前向神经网络 | 第44-53页 |
| 5.1 网络的训练算法 | 第44-47页 |
| 5.1.1 Wirtinger算子 | 第44-45页 |
| 5.1.2 L-BFGS算法在全复数值神经网络中的应用 | 第45-47页 |
| 5.2 实验仿真 | 第47-52页 |
| 5.2.1 复数值函数逼近 | 第47-49页 |
| 5.2.2 信道均衡器模拟 | 第49-50页 |
| 5.2.3 实数值分类问题 | 第50-52页 |
| 5.3 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 攻读硕士期间发表的论文 | 第60-61页 |
| 致谢 | 第61页 |