作品目录

出版说明前言第1章 绪论 1.1 人工神经网络的概念 1.2 人工神经网络的发展历史 1.2.1 兴起时期 1.2.2 萧条时期 1.2.3 兴盛时期 1.2.4 高潮时期 1.3 人工神经网络的特点 1.4 人工神经网络的信息处理能力 1.5 人工神经网络的功能 1.6 人工神经网络的应用 1.7 人工神经网络的主要研究方向 1.8 人工神经网络与人工智能 1.9 人工神经网络与传统计算 1.10 本章小结 1.11习题第2章 人工神经网络基础 2.1 生物神经系统 2.1.1 生物神经元的结构 2.1.2 生物神经元的功能 2.2 人工神经元模型 2.2.1 人工神经元的形式化描述 2.2.2 转移函数 2.3 M—P模型 2.3.1 标准M—P模型 2.3.2 延时M—P模型 2.3.3 改进的M—P模型 2.4 人工神经网络的互连结构 2.5 人工神经网络的学习 2.5.1 人工神经网络的学习方式 2.5.2 基本的神经网络学习规则 2.6 本章小结 2.7 习题第3章 早期的自适应神经网络模型 3.1 感知机 3.1.1 感知机模型结构 3.1.2 感知机处理单元模型 3.1.3 感知机学习算法 3.1.4 感知机的局限性 3.1.5 感知机的收敛性 3.2 自适应线性元件 3.2.1 ADALINE模型结构 3.2.2 ADALINE学习算法 3.3 本章小结 3.4 习题第4章 误差反向传播神经网络 4.1 误差反向传播神经网络的提出 4.2 误差反向传播神经网络结构 4.3 误差反向传播神经网络处理单元模型 4.4 误差反向传播学习算法 4.5 误差反向传播学习算法的数学基础 4.6 误差反向传播学习算法的改进 4.6.1 BP算法存在的问题 4.6.2 累积误差校正算法 4.6.3 Sigmoid函数输出限幅的BP算法 4.6.4 增加动量项的BP算法 4.6.5 学习速率自适应调整算法 4.7 隐含层的特征抽取作用 4.8 误差反向传播神经网络应用实例 4.8.1 BP神经网络的主要能力 4.8.2 BP神经网络在入侵检测中的应用 4.8.3 BP神经网络在股票市场中的应用 4.9 本章小结 4.10 习题第5章 Hopfield神经网络 5.1 离散型Hopfield神经网络 5.I.1 离散型Hopfield神经网络结构 5.1.2 离散型Hopfield神经网络处理单元模型 5.1.3 离散型Hopfield神经网络的状态及运行规则 5.1.4 离散型Hopfield神经网络的能量函数 5.1.5 离散型Hopfield神经网络的连接权值设计 5.1.6 离散型Hopfield神经网络的信息存储容量 5.2 连续型Hopfield神经网络 5.2.1 连续型Hopfield神经网络结构 5.2.2 连续型Hopfield神经网络处理单元模型 5.2.3 连续型Hopfield神经网络的状态 5.2.4 连续型Hopfield神经网络的能量函数 5.3 Hopfield神经网络应用实例 5.3.1 离散型Hopfield神经网络应用实例 5.3.2 连续型Hopfield神经网络应用实例 5.4 本章小结 5.5习题第6章 Boltzmann机 6.1 随机型神经网络的提出 6.2 Boltzmann机的网络结构 6.3 Bohzmann机处理单元模型 6.4 Boltzmann机的能量函数 6.5 Boltzmann机的Bollzmann分布 6.6 Boltzmann机的运行规则 6.6.1 模拟退火算法 6.6.2 网络运行规则 6.7 Boltzmann机的学习规则 6.7.1 自联想记忆的学习规则 6.7.2 互联想记忆的学习规则 6.8 模拟退火算法应用实例 6.9 本章小结 6.10 习题第7章 自适应共振理论神经网络 7.1 自组织神经网络的提出 7.2 竞争学习 7.2.1 竞争学习的概念 7.2.2 竞争学习规则 7.3 自适应共振理论神经网络的提出及特点 7.4 ART1神经网络 7.4.1 ART1神经网络的结构 7.4.2 ART1神经网络处理单元模型 7.4.3 ART1神经网络的学习规则 7.4.4 ART1神经网络特性分析 7.4.5 ART1神经网络应用实例 7.5 ART2神经网络 7.5.1 ART2神经网络的结构 7.5.2 ART2神经网络处理单元模型 7.5.3 ART2神经网络的学习规则 7.5.4 ART2神经网络应用实例 7.6 本章小结 7.7 习题第8章 人工神经网络应用的设计开发 8.1 人工神经网络应用的特点及适用范围 8.2 人工神经网络的设计开发过程 8.3 人工神经网络模型的选取 8.4 人工神经网络模型的设计 8.4.1 节点级设计 8.4.2 网络级设计 8.4.3 训练级设计 8.5 人工神经网络模型的实现 8.5.1 准备样本数据 8.5.2 选取训练样本 8.5.3 网络训练与测试 8.6 本章小结 8.7 习题第9章 人工神经网络的实现 9.1 神经网络实现技术概述 9.1.1 神经网络实现的发展历史 9.1.2 神经网络实现方案的分类 9.2 神经网络的虚拟实现 9.2.1 基于传统计算机的软件模拟 9.2.2 神经网络并行多机系统 9.2.3 神经计算加速器 9.3 神经网络的物理实现 9.3.1 神经网络的VLSI实现 9.3.2 神经网络的光学实现 9.3.3 神经网络的分子实现 9.4 本章小结 9.5 习题第10章 人工神经网络的发展 10.1 神经网络与专家系统 10.1.1 基于规则的专家系统 10.1.2 神经网络与专家系统的比较 10.1.3 神经网络专家系统 10.2 神经网络与模糊系统 10.2.1 模糊系统 10.2.2 神经网络与模糊系统的比较 10.2.3 模糊神经网络 10.3 本章小结附录 附录A 人工神经网络的主要研究工作 附录B BP神经网络实现太阳黑子数量预测源程序 附录C Hopfield神经网络实现图像自联想记忆源程序 附录D 模拟退火算法实现TSP源程序 附录E ARTl神经网络源程序参考文献
· · · · · ·

精彩摘录

如果样本输入函数线性可分，那么感知机模型在学习时经过有限次的迭代，一定可以收敛到正确的连接权值

——引自章节：感知机

内星学习规则用于内星节点响应一个特定的输入模式X...外星节点具有与内星节点互补的功能，即在外星节点被激活时，与之相连的节点要产生一个特定的输出模式Y

——引自章节：人工神经网络基础