| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-22页 |
| ·人工神经网络简介 | 第10-14页 |
| ·人工神经网络发展与应用 | 第10-12页 |
| ·人工神经元模型和人工神经网络模型 | 第12-13页 |
| ·人工神经网络的学习规则 | 第13-14页 |
| ·高阶神经网络 | 第14-20页 |
| ·高阶神经网络的结构特点 | 第14-15页 |
| ·High-Order神经网络 | 第15-16页 |
| ·Sigma-Pi神经网络 | 第16-17页 |
| ·Pi-Sigma神经网络 | 第17-20页 |
| ·本文研究的主要内容 | 第20-22页 |
| 2 训练Pi-Sigma神经网络的一种带惩罚项的随机单点在线梯度算法 | 第22-36页 |
| ·初始权值的设计 | 第22页 |
| ·Pi-Sigma神经网络的随机单点在线梯度算法 | 第22-24页 |
| ·权值较小对随机单点在线梯度算法训练过程的影响 | 第24-27页 |
| ·带惩罚项的随机单点在线梯度算法 | 第27-29页 |
| ·数值实验结果 | 第29-36页 |
| ·实验1:函数逼近问题 | 第29-31页 |
| ·实验2:分类问题 | 第31-36页 |
| 3 Pi-Sigma神经网络的异步批处理梯度算法的收敛性 | 第36-52页 |
| ·Pi-Sigma神经网络的异步批处理梯度算法的收敛性 | 第36-43页 |
| ·Pi-Sigma神经网络的异步批处理梯度算法 | 第36-38页 |
| ·收敛性定理及证明 | 第38-42页 |
| ·数值实验结果 | 第42-43页 |
| ·Pi-Sigma神经网络的带动量项异步批处理梯度算法的收敛性 | 第43-52页 |
| ·Pi-Sigma神经网络的带动量项的异步批处理梯度算法 | 第43-44页 |
| ·收敛性定理及证明 | 第44-48页 |
| ·数值实验结果 | 第48-52页 |
| 4 Pi-Sigma神经网络的在线梯度算法的收敛性 | 第52-66页 |
| ·Pi-Sigma神经网络的在线梯度算法 | 第52-53页 |
| ·重要定理 | 第53-54页 |
| ·重要引理及证明 | 第54-61页 |
| ·定理证明 | 第61-64页 |
| ·数值实验结果 | 第64-66页 |
| 5 基于灰色关联分析的一种新的剪枝算法 | 第66-80页 |
| ·灰色关联分析 | 第66-67页 |
| ·基于灰色关联分析用于前馈神经网络的剪枝算法 | 第67-73页 |
| ·前馈神经网络的结构 | 第68页 |
| ·前馈神经网络的网络纵(横)向灰色关联度 | 第68-69页 |
| ·基于灰色关联分析的优化前馈神经网络的剪枝算法 | 第69-71页 |
| ·数值实验结果 | 第71-73页 |
| ·基于灰色关联分析用于High-Order神经网络的剪枝算法 | 第73-80页 |
| ·High-Order神经网络的结构 | 第74-75页 |
| ·High-Order神经网络的网络纵(横)向灰色关联度 | 第75-76页 |
| ·基于灰色关联分析的优化High-Order神经网络的剪枝算法 | 第76-77页 |
| ·数值实验结果 | 第77-80页 |
| 结论与展望 | 第80-88页 |
| 创新点摘要 | 第88-89页 |
| 攻读博士学位期间发表学术论文情况 | 第89-90页 |
| 致谢 | 第90-92页 |
