论文目录 | |
| 主要符号对照表 | 第1-9
页 |
| 第一章 绪论 | 第9-29
页 |
| 1． 1 神经网络概论 | 第9-15
页 |
| 1． 1． 1 神经网络的特征、结构及学习规则 | 第10-14
页 |
| 1． 1． 2 神经网络的应用 | 第14-15
页 |
| 1． 2 前馈神经网络 | 第15-24
页 |
| 1． 2． 1 简单感知器 | 第17-18
页 |
| 1． 2． 2 多层感知器以及BP算法 | 第18-24
页 |
| 1． 3 前馈神经网络在图像识别中的应用 | 第24-26
页 |
| 1． 4 本文的主要工作 | 第26-29
页 |
| 第二章 感知器与线性可分问题 | 第29-43
页 |
| 2． 1 离散感知器的学习算法以及收敛性 | 第29-35
页 |
| 2． 1． 1 离散感知器的模型 | 第29-31
页 |
| 2． 1． 2 感知器的学习目标 | 第31-32
页 |
| 2． 1． 3 感知器的学习算法 | 第32-34
页 |
| 2． 1． 4 感知器算法的收敛性定理 | 第34-35
页 |
| 2． 2 线性可分性理论 | 第35-43
页 |
| 2． 2． 1 线性可分的定义及性质 | 第35-37
页 |
| 2． 2． 2 感知器学习算法关于线性可分性的讨论 | 第37-43
页 |
| 第三章 连续感知器的在线梯度算法对线性可分样本的有限收敛性 | 第43-61
页 |
| 3． 1 在线梯度算法 | 第44-48
页 |
| 3． 1． 1 梯度下降算法 | 第44-47
页 |
| 3． 1． 2 在线梯度法 | 第47-48
页 |
| 3． 2 在线梯度算法对线性可分样本的有限收敛性 | 第48-61
页 |
| 3． 2． 1 关于文献[7] 中”在线BP算法收敛性”的一些评注 | 第49-50
页 |
| 3． 2． 2 单层连续感知器在线梯度法的有限收敛性 | 第50-55
页 |
| 3． 2． 3 多层感知器在线BP神经网络的有限收敛性 | 第55-61
页 |
| 第四章 用于目标匹配的连续距离转换神经网络和多分辨率方法 | 第61-73
页 |
| 4． 1 CDTNN目标匹配方法 | 第62-68
页 |
| 4． 1． 1 连续距离转换神经网络 | 第63-65
页 |
| 4． 1． 2 多分辨率搜索图像的CDTNN匹配方法 | 第65-68
页 |
| 4． 2 试验结果 | 第68-73
页 |
| 4． 2． 1 CDTNN对目标图像的匹配 | 第68
页 |
| 4． 2． 2 对有一定变形和尺度变化的检测图像的识别匹配 | 第68-73
页 |
| 参考文献 | 第73-79
页 |
| 博士期间论文完成情况 | 第79-81
页 |
| 论文创新点摘要 | 第81-83
页 |
| 致谢 | 第83-84
页 |
