| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 自学习算法的发展历程及现状 | 第10-13页 |
| 1.2.1 自学习算法的发展历程 | 第10-11页 |
| 1.2.2 典型自学习算法及其研究状况 | 第11-13页 |
| 1.3 自学习算法的应用领域 | 第13-14页 |
| 1.4 全文内容及章节安排 | 第14-18页 |
| 第二章 基于自学习算法的线性方程组求解研究 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 人工神经网络描述 | 第18-20页 |
| 2.2.1 人工神经网络的模型 | 第18-19页 |
| 2.2.2 人工神经网络的学习规则 | 第19-20页 |
| 2.3 基于梯度下降法的线性方程组求解研究 | 第20-24页 |
| 2.3.1 梯度下降法的简介 | 第20页 |
| 2.3.2 基于梯度下降法的神经网络算法模型 | 第20-22页 |
| 2.3.3 神经网络收敛性分析 | 第22-23页 |
| 2.3.4 算法流程 | 第23-24页 |
| 2.4 基于共轭梯度法的线性方程组求解研究 | 第24-25页 |
| 2.4.1 共轭梯度法简介 | 第24-25页 |
| 2.4.2 算法流程 | 第25页 |
| 2.5 基于递推最小二乘法(RLS)的线性方程组求解研究 | 第25-27页 |
| 2.5.1 递推最小二乘法简介 | 第25-26页 |
| 2.5.2 基于递推最小二乘法的神经网络算法模型 | 第26-27页 |
| 2.5.3 算法流程 | 第27页 |
| 2.6 三种方法仿真实例 | 第27-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 基于曲线拟合的数值积分研究 | 第30-36页 |
| 3.1 引言 | 第30页 |
| 3.2 多项式曲线拟合算法简述 | 第30-31页 |
| 3.3 多项式曲线拟合的梯度下降法简述 | 第31页 |
| 3.4 多项式曲线拟合的共轭梯度法简述 | 第31-32页 |
| 3.5 多项式曲线拟合的递推最小二乘法简述 | 第32-33页 |
| 3.6 基于多项式曲线拟合的数值积分研究 | 第33页 |
| 3.7 算法仿真 | 第33-34页 |
| 3.8 本章小结 | 第34-36页 |
| 第四章 FIR线性相位数字滤波器的优化设计 | 第36-54页 |
| 4.1 引言 | 第36页 |
| 4.2 FIR线性相位滤波器的幅频特性 | 第36-40页 |
| 4.3 基于梯度下降法的FIR数字滤波器优化设计 | 第40-43页 |
| 4.3.1 神经网络算法模型 | 第40-41页 |
| 4.3.2 神经网络算法描述 | 第41页 |
| 4.3.3 神经网络收敛性分析 | 第41-43页 |
| 4.3.4 神经网络算法步骤 | 第43页 |
| 4.4 基于共轭梯度法的FIR数字滤波器优化设计 | 第43-47页 |
| 4.4.1 最优FIR数字滤波器模型 | 第43-44页 |
| 4.4.2 共轭梯度法描述 | 第44页 |
| 4.4.3 算法步骤 | 第44-45页 |
| 4.4.4 误差分析 | 第45-46页 |
| 4.4.5 基于共轭梯度法的残差校正方法 | 第46-47页 |
| 4.5 基于递推最小二乘法的FIR数字滤波器优化设计 | 第47-48页 |
| 4.5.1 神经网络算法模型 | 第47页 |
| 4.5.2 神经网络算法描述 | 第47-48页 |
| 4.5.3 神经网络算法步骤 | 第48页 |
| 4.6 仿真实例 | 第48-52页 |
| 4.7 本章小结 | 第52-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 本文工作总结 | 第54-55页 |
| 5.2 本文的特色及创新 | 第55页 |
| 5.3 展望 | 第55-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62-63页 |
| 附录A（攻读硕士学位期间发表论文目录） | 第63-64页 |
| 附录B（攻读硕士学位期间参与项目） | 第64页 |