國之重器出版工程 智能信息處理

第1章　緒論
1．1　智能
1．2　人工智能
1．2．1　人工智能的定義
1．2．2　人工智能的三個關鍵部分
1．2．3　人工智能的發(fā)展簡史
1．3　計算智能
1．3．1　計算智能的產(chǎn)生與發(fā)展
1．3．2　計算智能的重要特征
1．4　智能信息處理的主要技術
1．4．1　模糊計算技術
1．4．2　神經(jīng)計算技術
1．4．3　進化計算技術
1．5　智能技術的綜合集成
1．5．1　模糊系統(tǒng)與神經(jīng)網(wǎng)絡的結合
1．5．2　神經(jīng)網(wǎng)絡和遺傳算法的結合
1．5．3　模糊技術、神經(jīng)網(wǎng)絡和遺傳算法的綜合集成
1．5．4　神經(jīng)、模糊和混沌的融合
1．5．5　混沌與分形——孿生兄弟
1．5．6　計算智能展望
第2章　智能科學的認知心理學基礎
2．1　認知的概念
2．2　人的思維
2．3　右腦的功能
2．4　直覺的特征
2．5　人腦短時記憶的限制
2．6　本章小結
第3章　生物神經(jīng)元與神經(jīng)系統(tǒng)
3．1　生物神經(jīng)元
3．1．1　神經(jīng)元的組成
3．1．2　神經(jīng)元的分類
3．1．3　靜息膜電位
3．2　動作電位和Hodgkin ? Huxley方程
3．2．1　動作電位
3．2．2　Hodgkin ? Huxley方程
3．3　神經(jīng)沖動的傳導
3．3．1　神經(jīng)沖動的生成方式
3．3．2　神經(jīng)沖動傳導的特點
3．4　突觸和突觸傳遞
3．4．1　突觸的結構
3．4．2　突觸傳遞的機理
3．5　人的神經(jīng)系統(tǒng)組成
3．5．1　中樞神經(jīng)系統(tǒng)
3．5．2　周圍神經(jīng)系統(tǒng)
3．5．3　中樞神經(jīng)系統(tǒng)的信息處理機能
3．6　視覺神經(jīng)系統(tǒng)
3．6．1　眼球的結構
3．6．2　眼的感光功能
3．6．3　視覺信息加工
3．6．4　視覺神經(jīng)系統(tǒng)的信息處理
3．7　本章小結
第4章　人工神經(jīng)網(wǎng)絡概述
4．1　人工神經(jīng)網(wǎng)絡概念的引發(fā)
4．1．1　人腦神經(jīng)系統(tǒng)的主要特點
4．1．2　人工智能系統(tǒng)的幾種不同途徑
4．1．3　人腦的建模研究
4．1．4　人工神經(jīng)網(wǎng)絡的構思
4．2　人工神經(jīng)元模型和人工神經(jīng)網(wǎng)絡模型
4．2．1　人工神經(jīng)網(wǎng)絡的定義
4．2．2　人工神經(jīng)元模型
4．2．3　人工神經(jīng)網(wǎng)絡模型
4．3　有關人工神經(jīng)網(wǎng)絡的能力與特點的討論
4．3．1　人工神經(jīng)網(wǎng)絡的穩(wěn)定性特征和收斂特征
4．3．2　人工神經(jīng)網(wǎng)絡的信息存儲與計算能力
4．3．3　人工神經(jīng)網(wǎng)絡技術的基本特征
4．4　人工神經(jīng)網(wǎng)絡的發(fā)展史
4．5　本章小結
第5章　MP模型和感知器
5．1　MP模型
5．1．1　MP模型的概念
5．1．2　模式相似性的數(shù)學表示
5．1．3　人工神經(jīng)網(wǎng)絡中的一個輸出單元
5．1．4　單層并行分布網(wǎng)絡
5．1．5　多層線性網(wǎng)絡
5．2　感知器
5．2．1　感知器的概念
5．2．2　廣義線性判別函數(shù)及其規(guī)格化
5．2．3　感知器網(wǎng)絡的訓練方法
5．2．4　感知器的能力與局限性
5．2．5　關于感知器
5．3　本章小結
第6章　模式聯(lián)想機
6．1　模式聯(lián)想的概念
6．2　模式聯(lián)想學習規(guī)則的理論基礎
6．2．1　Hebb規(guī)則
6．2．2　? 學習規(guī)則
6．3　模式聯(lián)想機模型
6．3．1　模式聯(lián)想機模型的Hebb規(guī)則
6．3．2　模式聯(lián)想機中的? 規(guī)則
6．4　實例練習
6．4．1　練習1：Hebb規(guī)則學習的相似性和泛化
6．4．2　練習2：正交性、線性獨立和學習
6．5　模式聯(lián)想機的討論
6．5．1　激活函數(shù)
6．5．2　學習假設
6．5．3　環(huán)境與訓練期
6．5．4　性能量度
6．6　本章小結
第7章　BP神經(jīng)網(wǎng)絡模型
7．1　BP模型的概念及其產(chǎn)生背景
7．1．1　BP模型的概念
7．1．2　BP模型的產(chǎn)生背景
7．1．3　推廣的? 規(guī)則
7．1．4　BP算法
7．2　BP算法計算實例——求解XOR問題
7．3　BP算法的討論
7．3．1　BP神經(jīng)網(wǎng)絡拓撲結構的確定
7．3．2　BP神經(jīng)網(wǎng)絡模型的樣本數(shù)據(jù)篩選
7．3．3　BP神經(jīng)網(wǎng)絡的訓練
7．3．4　應用時需要考慮的問題
7．3．5　有待進一步研究的問題
7．4　BP算法的應用舉例
7．4．1　在系統(tǒng)辨識中的應用
7．4．2　幾何圖形的識別
7．5　本章小結
第8章　徑向基函數(shù)神經(jīng)網(wǎng)絡
8．1　徑向基函數(shù)神經(jīng)網(wǎng)絡結構
8．2　徑向基函數(shù)神經(jīng)網(wǎng)絡的基本訓練算法
8．3　徑向基函數(shù)神經(jīng)網(wǎng)絡與多層感知器的比較
8．4　徑向基函數(shù)神經(jīng)網(wǎng)絡改進方案
8．4．1　輸入模式的預處理
8．4．2　基函數(shù)的選擇
8．4．3　RBF層的聚類算法的改進
8．5　本章小結
第9章　反饋型神經(jīng)網(wǎng)絡
9．1　離散型霍普菲爾德神經(jīng)網(wǎng)絡
9．1．1　離散型霍普菲爾德神經(jīng)網(wǎng)絡的工作方式
9．1．2　網(wǎng)絡的穩(wěn)定性
9．2　連續(xù)型霍普菲爾德神經(jīng)網(wǎng)絡
9．2．1　輸入和輸出的關系
9．2．2　能量函數(shù)和穩(wěn)定性
9．3　離散型霍普菲爾德神經(jīng)網(wǎng)絡用于聯(lián)想記憶
9．3．1　網(wǎng)絡的學習
9．3．2　聯(lián)想記憶的算法步驟
9．3．3　用Hebb規(guī)則設計權重的網(wǎng)絡性質(zhì)
9．4　霍普菲爾德神經(jīng)網(wǎng)絡用于優(yōu)化計算
9．5　本章小結
第10章　進化計算及應用
10．1　概述
10．1．1　進化計算的產(chǎn)生背景
10．1．2　進化計算的發(fā)展過程
10．1．3　進化計算的主要特點
10．2　進化計算
10．2．1　進化計算的生物學基礎
10．2．2　進化計算的基本結構
10．2．3　進化計算的分類
10．3　遺傳算法的基本理論
10．3．1　遺傳算法的基本思想
10．3．2　遺傳算法的基本結構
10．3．3　基本遺傳算子
10．3．4　遺傳算法的數(shù)學基礎
10．3．5　遺傳規(guī)劃
10．4　本章小結
第11章 混沌及分數(shù)維
11．1 混沌與混沌神經(jīng)網(wǎng)絡
11．1．1 混沌的概念及發(fā)展
11．1．2 對混沌現(xiàn)象的分析
11．1．3 混沌學和人工神經(jīng)網(wǎng)絡
11．2 分形和分數(shù)維
11．2．1 分形概念的提出
11．2．2 分形的特征
11．2．3 幾種典型分形的分數(shù)維
11．2．4 人腦的混沌與腦電圖的分數(shù)維
11．3 本章小結
第12章 神經(jīng)網(wǎng)絡的實現(xiàn)與應用
12．1 概述
12．1．1 神經(jīng)網(wǎng)絡計算機的主要特點
12．1．2 神經(jīng)網(wǎng)絡實現(xiàn)方法
12．2 神經(jīng)網(wǎng)絡硬件實現(xiàn)技術簡介
12．2．1 神經(jīng)網(wǎng)絡的VLSI實現(xiàn)
12．2．2 神經(jīng)網(wǎng)絡的光學實現(xiàn)
12．2．3 神經(jīng)網(wǎng)絡的生物實現(xiàn)
12．3 神經(jīng)網(wǎng)絡硬件發(fā)展的現(xiàn)狀
12．3．1 數(shù)字VLSI神經(jīng)芯片
12．3．2 模擬VLSI神經(jīng)芯片
12．3．3 數(shù)?；旌仙窠?jīng)芯片
12．3．4 神經(jīng)網(wǎng)絡加速卡
12．3．5 神經(jīng)網(wǎng)絡計算機
12．3．6 關于神經(jīng)網(wǎng)絡實現(xiàn)技術的討論
12．4 人工神經(jīng)網(wǎng)絡的應用
12．4．1 神經(jīng)網(wǎng)絡適用的應用領域
12．4．2 ANN的軍事應用
12．5 人工神經(jīng)網(wǎng)絡的發(fā)展展望
12．5．1 人工神經(jīng)網(wǎng)絡發(fā)展中的問題
12．5．2 人工神經(jīng)網(wǎng)絡的發(fā)展前景
12．6 本章小結
參考文獻
附錄
附錄A 智能信息處理實驗
附錄B 智能信息處理實驗源代碼（部分）