|
摘要 |
5-7 |
|
ABSTRACT |
7-12 |
|
第一章 绪论 |
12-21 |
|
1.1 引言 |
12-13 |
|
1.2 动态突触在TSP 问题中的应用研究现状 |
13-16 |
|
1.3 动态突触在联想记忆中的应用研究现状 |
16-19 |
|
1.3.1 传统 Hopfield神经网络的联想记忆 |
16-17 |
|
1.3.2 动态突触神经网络的联想记忆 |
17-19 |
|
1.4 论文的主要工作 |
19-21 |
|
第二章 抑制型动态突触神经网络模型 |
21-34 |
|
2.1 前言 |
21 |
|
2.2 动态突触神经元(DS) |
21-24 |
|
2.2.1 突触 |
21-23 |
|
2.2.2 抑制型动态突触 |
23-24 |
|
2.3 基于动态突触的离散 Hopfield神经网络模型(DS-DHNN) |
24-30 |
|
2.3.1 传统连续型 Hopfield神经网络模型(CHNN) |
24-26 |
|
2.3.2 传统离散型 Hopfield神经网络模型(DHNN) |
26-28 |
|
2.3.3 改进型能量函数(IEF)和H-派生神经网络 |
28-29 |
|
2.3.4 DS-DHNN模型建立 |
29-30 |
|
2.4 基于动态突触的瞬态混沌神经网络模型(DS-TCNN) |
30-33 |
|
2.4.1 瞬态混沌神经网络(TCNN) |
30-32 |
|
2.4.2 DS-TCNN模型建立 |
32-33 |
|
2.5 本章小结 |
33-34 |
|
第三章 抑制型动态突触神经网络在 TSP问题中的应用研究 |
34-57 |
|
3.1 前言 |
34 |
|
3.2 TSP问题的基本理论 |
34-36 |
|
3.2.1 TSP的问题描述 |
34-35 |
|
3.2.2 TSP的计算复杂性 |
35-36 |
|
3.3 基于 DS-OHNN的 TSP应用研究 |
36-45 |
|
3.3.1 DS-DHNN神经网络的伴随神经网络及平衡点关系 |
36-37 |
|
3.3.2 DS-DHNN动态突触神经元在 TSP求解中的演变和实现 |
37-38 |
|
3.3.3 4城市 TSP问题求解 |
38-41 |
|
3.3.4 10城市 TSP问题求解 |
41-44 |
|
3.3.5 结果分析与讨论 |
44-45 |
|
3.4 基于DS-TCNN的 TSP应用研究 |
45-56 |
|
3.4.1 参数的选取、调试技术 |
45-47 |
|
3.4.2 神经元偏置激活电流问题 |
47 |
|
3.4.3 10城市TSP问题求解 |
47-49 |
|
3.4.4 动态突触神经元的特性表征参数 U对求解 TSP影响的应用研究 |
49-51 |
|
3.4.5 20城市TSP问题求解 |
51-52 |
|
3.4.6 结果分析与讨论 |
52-53 |
|
3.4.7 DS-TCNN-TSP算法总结 |
53-56 |
|
3.5 本章小结 |
56-57 |
|
第四章 抑制型动态突触神经网络在联想记忆中的应用研究 |
57-85 |
|
4.1 前言 |
57 |
|
4.2 联想记忆的基本理论 |
57-61 |
|
4.2.1 联想记忆的基本概念 |
57-59 |
|
4.2.2 存储容量和吸引域 |
59-61 |
|
4.3 一种抗伪状态的新型动态突触自联想记忆神经网络(ASS-DSNN) |
61-71 |
|
4.3.1 Hebb学习规则和外积法 |
61-64 |
|
4.3.2 抗伪状态的改进方案—非线性函数构造法 |
64-68 |
|
4.3.3 ASS-DSNN自联想记忆网络模型的建立 |
68-71 |
|
4.4 基于ASS-DSNN的联想记忆应用研究 |
71-83 |
|
4.4.1 抗伪状态方案的应用研究(ASS-SSNN) |
72-79 |
|
4.4.2 基于ASS-DSNN的联想记忆应用研究 |
79-83 |
|
4.5 结果分析与讨论 |
83-84 |
|
4.6 本章小结 |
84-85 |
|
第五章 结论与展望 |
85-89 |
|
5.1 研究成果总结 |
85-87 |
|
5.2 研究工作展望 |
87-89 |
|
参考文献 |
89-92 |
|
附录 |
92-103 |
|
攻读硕士学位期间发表和录用的论文 |
103-104 |
|
致谢 |
104 |
