人工神經(jīng)網(wǎng)絡原理

出版說明
前言
第1章 緒論
1.1 人工神經(jīng)網(wǎng)絡的概念
1.2 人工神經(jīng)網(wǎng)絡的發(fā)展歷史
1.2.1 興起時期
1.2.2 蕭條時期
1.2.3 興盛時期
1.2.4 高潮時期
1.3 人工神經(jīng)網(wǎng)絡的特點
1.4 人工神經(jīng)網(wǎng)絡的信息處理能力
1.5 人工神經(jīng)網(wǎng)絡的功能
1.6 人工神經(jīng)網(wǎng)絡的應用
1.7 人工神經(jīng)網(wǎng)絡的主要研究方向
1.8 人工神經(jīng)網(wǎng)絡與人工智能
1.9 人工神經(jīng)網(wǎng)絡與傳統(tǒng)計算
1.10 本章小結
1.11習題
第2章 人工神經(jīng)網(wǎng)絡基礎
2.1 生物神經(jīng)系統(tǒng)
2.1.1 生物神經(jīng)元的結構
2.1.2 生物神經(jīng)元的功能
2.2 人工神經(jīng)元模型
2.2.1 人工神經(jīng)元的形式化描述
2.2.2 轉移函數(shù)
2.3 M—P模型
2.3.1 標準M—P模型
2.3.2 延時M—P模型
2.3.3 改進的M—P模型
2.4 人工神經(jīng)網(wǎng)絡的互連結構
2.5 人工神經(jīng)網(wǎng)絡的學習
2.5.1 人工神經(jīng)網(wǎng)絡的學習方式
2.5.2 基本的神經(jīng)網(wǎng)絡學習規(guī)則
2.6 本章小結
2.7 習題
第3章 早期的自適應神經(jīng)網(wǎng)絡模型
3.1 感知機
3.1.1 感知機模型結構
3.1.2 感知機處理單元模型
3.1.3 感知機學習算法
3.1.4 感知機的局限性
3.1.5 感知機的收斂性
3.2 自適應線性元件
3.2.1 ADALINE模型結構
3.2.2 ADALINE學習算法
3.3 本章小結
3.4 習題
第4章 誤差反向傳播神經(jīng)網(wǎng)絡
4.1 誤差反向傳播神經(jīng)網(wǎng)絡的提出
4.2 誤差反向傳播神經(jīng)網(wǎng)絡結構
4.3 誤差反向傳播神經(jīng)網(wǎng)絡處理單元模型
4.4 誤差反向傳播學習算法
4.5 誤差反向傳播學習算法的數(shù)學基礎
4.6 誤差反向傳播學習算法的改進
4.6.1 BP算法存在的問題
4.6.2 累積誤差校正算法
4.6.3 Sigmoid函數(shù)輸出限幅的BP算法
4.6.4 增加動量項的BP算法
4.6.5 學習速率自適應調整算法
4.7 隱含層的特征抽取作用
4.8 誤差反向傳播神經(jīng)網(wǎng)絡應用實例
4.8.1 BP神經(jīng)網(wǎng)絡的主要能力
4.8.2 BP神經(jīng)網(wǎng)絡在入侵檢測中的應用
4.8.3 BP神經(jīng)網(wǎng)絡在股票市場中的應用
4.9 本章小結
4.10 習題
第5章 Hopfield神經(jīng)網(wǎng)絡
5.1 離散型Hopfield神經(jīng)網(wǎng)絡
5.I.1 離散型Hopfield神經(jīng)網(wǎng)絡結構
5.1.2 離散型Hopfield神經(jīng)網(wǎng)絡處理單元模型
5.1.3 離散型Hopfield神經(jīng)網(wǎng)絡的狀態(tài)及運行規(guī)則
5.1.4 離散型Hopfield神經(jīng)網(wǎng)絡的能量函數(shù)
5.1.5 離散型Hopfield神經(jīng)網(wǎng)絡的連接權值設計
5.1.6 離散型Hopfield神經(jīng)網(wǎng)絡的信息存儲容量
5.2 連續(xù)型Hopfield神經(jīng)網(wǎng)絡
5.2.1 連續(xù)型Hopfield神經(jīng)網(wǎng)絡結構
5.2.2 連續(xù)型Hopfield神經(jīng)網(wǎng)絡處理單元模型
5.2.3 連續(xù)型Hopfield神經(jīng)網(wǎng)絡的狀態(tài)
5.2.4 連續(xù)型Hopfield神經(jīng)網(wǎng)絡的能量函數(shù)
5.3 Hopfield神經(jīng)網(wǎng)絡應用實例
5.3.1 離散型Hopfield神經(jīng)網(wǎng)絡應用實例
5.3.2 連續(xù)型Hopfield神經(jīng)網(wǎng)絡應用實例
5.4 本章小結
5.5習題
第6章 Boltzmann機
6.1 隨機型神經(jīng)網(wǎng)絡的提出
6.2 Boltzmann機的網(wǎng)絡結構
6.3 Bohzmann機處理單元模型
6.4 Boltzmann機的能量函數(shù)
6.5 Boltzmann機的Bollzmann分布
6.6 Boltzmann機的運行規(guī)則
6.6.1 模擬退火算法
6.6.2 網(wǎng)絡運行規(guī)則
6.7 Boltzmann機的學習規(guī)則
6.7.1 自聯(lián)想記憶的學習規(guī)則
6.7.2 互聯(lián)想記憶的學習規(guī)則
6.8 模擬退火算法應用實例
6.9 本章小結
6.10 習題
第7章 自適應共振理論神經(jīng)網(wǎng)絡
7.1 自組織神經(jīng)網(wǎng)絡的提出
7.2 競爭學習
7.2.1 競爭學習的概念
7.2.2 競爭學習規(guī)則
7.3 自適應共振理論神經(jīng)網(wǎng)絡的提出及特點
7.4 ART1神經(jīng)網(wǎng)絡
7.4.1 ART1神經(jīng)網(wǎng)絡的結構
7.4.2 ART1神經(jīng)網(wǎng)絡處理單元模型
7.4.3 ART1神經(jīng)網(wǎng)絡的學習規(guī)則
7.4.4 ART1神經(jīng)網(wǎng)絡特性分析
7.4.5 ART1神經(jīng)網(wǎng)絡應用實例
7.5 ART2神經(jīng)網(wǎng)絡
7.5.1 ART2神經(jīng)網(wǎng)絡的結構
7.5.2 ART2神經(jīng)網(wǎng)絡處理單元模型
7.5.3 ART2神經(jīng)網(wǎng)絡的學習規(guī)則
7.5.4 ART2神經(jīng)網(wǎng)絡應用實例
7.6 本章小結
7.7 習題
第8章 人工神經(jīng)網(wǎng)絡應用的設計開發(fā)
8.1 人工神經(jīng)網(wǎng)絡應用的特點及適用范圍
8.2 人工神經(jīng)網(wǎng)絡的設計開發(fā)過程
8.3 人工神經(jīng)網(wǎng)絡模型的選取
8.4 人工神經(jīng)網(wǎng)絡模型的設計
8.4.1 節(jié)點級設計
8.4.2 網(wǎng)絡級設計
8.4.3 訓練級設計
8.5 人工神經(jīng)網(wǎng)絡模型的實現(xiàn)
8.5.1 準備樣本數(shù)據(jù)
8.5.2 選取訓練樣本
8.5.3 網(wǎng)絡訓練與測試
8.6 本章小結
8.7 習題
第9章 人工神經(jīng)網(wǎng)絡的實現(xiàn)
9.1 神經(jīng)網(wǎng)絡實現(xiàn)技術概述
9.1.1 神經(jīng)網(wǎng)絡實現(xiàn)的發(fā)展歷史
9.1.2 神經(jīng)網(wǎng)絡實現(xiàn)方案的分類
9.2 神經(jīng)網(wǎng)絡的虛擬實現(xiàn)
9.2.1 基于傳統(tǒng)計算機的軟件模擬
9.2.2 神經(jīng)網(wǎng)絡并行多機系統(tǒng)
9.2.3 神經(jīng)計算加速器
9.3 神經(jīng)網(wǎng)絡的物理實現(xiàn)
9.3.1 神經(jīng)網(wǎng)絡的VLSI實現(xiàn)
9.3.2 神經(jīng)網(wǎng)絡的光學實現(xiàn)
9.3.3 神經(jīng)網(wǎng)絡的分子實現(xiàn)
9.4 本章小結
9.5 習題
第10章 人工神經(jīng)網(wǎng)絡的發(fā)展
10.1 神經(jīng)網(wǎng)絡與專家系統(tǒng)
10.1.1 基于規(guī)則的專家系統(tǒng)
10.1.2 神經(jīng)網(wǎng)絡與專家系統(tǒng)的比較
10.1.3 神經(jīng)網(wǎng)絡專家系統(tǒng)
10.2 神經(jīng)網(wǎng)絡與模糊系統(tǒng)
10.2.1 模糊系統(tǒng)
10.2.2 神經(jīng)網(wǎng)絡與模糊系統(tǒng)的比較
10.2.3 模糊神經(jīng)網(wǎng)絡
10.3 本章小結
附錄
附錄A 人工神經(jīng)網(wǎng)絡的主要研究工作
附錄B BP神經(jīng)網(wǎng)絡實現(xiàn)太陽黑子數(shù)量預測源程序
附錄C Hopfield神經(jīng)網(wǎng)絡實現(xiàn)圖像自聯(lián)想記憶源程序
附錄D 模擬退火算法實現(xiàn)TSP源程序
附錄E ARTl神經(jīng)網(wǎng)絡源程序
參考文獻