前言
第１ 章　绪论 １
　１. １　人工神经网络概述 １
　　１. １. １　人脑与计算机信息处理能力的
比较 ２
　　１. １. ２　人脑与计算机信息处理机制的
比较 ３
　　１. １. ３　什么是人工神经网络 ４
　１. ２　人工神经网络发展简史 ５
　　１. ２. １　启蒙时期 ５
　　１. ２. ２　低潮时期 ７
　　１. ２. ３　复兴时期 ８
　　１. ２. ４　新时期 ９
　　１. ２. ５　海量数据时代 １２
　　１. ２. ６　国内研究概况 １２
　１. ３　神经网络的基本特征与功能 １３
　　１. ３. １　神经网络的基本特点 １３
　　１. ３. ２　神经网络的基本功能 １３
　１. ４　神经网络的应用领域 １５
　　１. ４ １　信息处理领域 １５
　　１. ４. ２　自动化领域 １６
　　１. ４. ３　工程领域 １６
　　１. ４. ４　医学领域 １７
　　１. ４. ５　经济领域 １７
　本章小结 １８
　习题 １９
第２ 章　人工神经网络建模基础 ２０
　２. １　脑的生物神经系统概述 ２０
　　２. １. １　人体神经系统的构成 ２０
　　２. １. ２　高级中枢神经系统的功能 ２１
　　２. １. ３　脑组织的分层结构 ２２
　２. ２　生物神经网络基础 ２３
　　２. ２. １　生物神经元的结构 ２３
　　２. ２. ２　生物神经元的信息处理机理 ２４
　２. ３　人工神经元模型 ２６
　　２. ３. １　神经元的建模 ２６
　　２. ３. ２　神经元的数学模型 ２７
　　２. ３. ３　神经元的变换函数 ２８
　２. ４　人工神经网络模型 ３０
　　２. ４. １　网络拓扑结构类型 ３０
　　２. ４. ２　网络信息流向类型 ３１
　２. ５　神经网络学习 ３２
　　２. ５. １　Ｈｅｂｂｉａｎ 学习规则 ３４
　　２. ５. ２　离散感知器学习规则 ３５
　　２. ５. ３　连续感知器学习规则 ３６
　　２. ５. ４　最小方均学习规则 ３７
　　２. ５. ５　相关学习规则 ３８
　　２. ５. ６　胜者为王学习规则 ３８
　　２. ５. ７　外星学习规则 ３８
　本章小结 ４０
　习题 ４０
第３ 章　感知器神经网络 ４２
　３. １　单层感知器 ４２
　　３. １. １　感知器模型 ４２
　　３. １. ２　感知器的功能 ４３
　　３. １. ３　感知器的局限性 ４５
　　３. １. ４　感知器的学习算法 ４５
　３. ２　多层感知器 ４７
　３. ３　自适应线性单元简介 ４９
　　３. ３. １　ＡＤＡＬＩＮＥ 模型 ４９
　　３. ３. ２　ＡＤＡＬＩＮＥ 学习算法 ４９
　　３. ３. ３　ＡＤＡＬＩＮＥ 应用 ５１
　３. ４　误差反传算法 ５１
Ⅵ　
　　３. ４. １　基于ＢＰ 算法的多层感知器
模型 ５２
　　３. ４. ２　ＢＰ 学习算法 ５３
　　３. ４. ３　ＢＰ 算法的程序实现 ５６
　　３. ４. ４　多层感知器的主要能力 ５７
　　３. ４. ５　误差曲面与ＢＰ 算法的局限性 ５８
　３. ５　标准ＢＰ 算法的改进 ５９
　　３. ５. １　增加动量项 ５９
　　３. ５. ２　自适应调节学习率 ５９
　　３. ５. ３　引入陡度因子 ６０
　３. ６　基于ＢＰ 算法的多层感知器设计
基础 ６０
　　３. ６. １　网络信息容量与训练样本数 ６０
　　３. ６. ２　训练样本集的准备 ６１
　　３. ６. ３　初始权值的设计 ６４
　　３. ６. ４　多层感知器结构设计 ６５
　　３. ６. ５　网络训练与测试 ６６
　３. ７　基于ＢＰ 算法的多层感知器应用与设计
实例 ６７
　　３. ７. １　基于ＢＰ 算法的多层感知器用于
催化剂配方建模 ６７
　　３. ７. ２　基于ＢＰ 算法的多层感知器用于
汽车变速器最佳挡位判定 ６８
　　３. ７. ３　基于ＢＰ 算法的多层感知器用于
图像压缩编码 ６９
　　３. ７. ４　基于ＢＰ 算法的多层感知器用于
水库优化调度 ６９
　３. ８　基于ＭＡＴＬＡＢ 的ＢＰ 网络应用实例 ７０
　　３. ８. １　ＢＰ 网络用于数据拟合 ７０
　　３. ８. ２　ＢＰ 网络用于鸢尾花分类问题 ７２
　扩展资料 ７６
　本章小结 ７７
　习题 ７７
第４ 章　自组织竞争神经网络 ８０
　４. １　竞争学习的概念与原理 ８０
　　４. １. １　基本概念 ８０
　　４. １. ２　竞争学习原理 ８２
　４. ２　自组织特征映射神经网络 ８４
　　４. ２. １　ＳＯＦＭ 网的生物学基础 ８５
　　４. ２. ２　ＳＯＦＭ 网的拓扑结构与权值
调整域 ８５
　　４. ２. ３　自组织特征映射网的运行原理与
学习算法 ８６
　　４. ２. ４　ＳＯＦＭ 网的设计基础 ９０
　　４. ２. ５　应用与设计实例 ９２
　４. ３　学习向量量化神经网络 ９５
　　４. ３. １　向量量化 ９５
　　４. ３. ２　ＬＶＱ 网络结构与工作原理 ９６
　　４. ３. ３　ＬＶＱ 网络的学习算法 ９７
　４. ４　对偶传播神经网络 ９８
　　４. ４. １　网络结构与运行原理 ９８
　　４. ４. ２　ＣＰＮ 的学习算法 ９９
　　４. ４. ３　改进的ＣＰＮ 网 １００
　　４. ４. ４　ＣＰＮ 网的应用 １０２
　４. ５　自适应共振理论网络 １０２
　　４. ５. １　ＡＲＴⅠ型网络 １０３
　　４. ５. ２　ＡＲＴⅡ型网络 １１０
　４. ６　基于ＭＡＴＬＡＢ 的ＳＯＭ 网络聚类
实例 １１４
　扩展资料 １１７
　本章小结 １１８
　习题 １１９
第５ 章　径向基函数神经网络 １２２
　５. １　基于径向基函数技术的函数逼近与
内插 １２２
　　５. １. １　插值问题描述 １２２
　　５. １. ２　径向基函数技术解决插值问题 １２３
　　５. １. ３　完全内插存在的问题 １２４
　５. ２　正则化理论与正则化ＲＢＦ 网络 １２５
　　５. ２. １　正则化理论 １２５
　　５. ２. ２　正则化ＲＢＦ 网络 １２６
　５. ３　模式可分性观点与广义ＲＢＦ 网络 １２７
　　５. ３. １　模式的可分性 １２７
　　５. ３. ２　广义ＲＢＦ 网络 １２８
　５. ４　ＲＢＦ 网络常用学习算法 １２９
　　５. ４. １　数据中心的聚类算法 １３０
　　５. ４. ２　数据中心的监督学习算法 １３１
　５. ５　ＲＢＦ 网络与多层感知器的比较 １３２
　５. ６　ＲＢＦ 网络的设计与应用实例 １３３
　　５. ６. １　ＲＢＦ 网络在液化气销售量预测中
的应用 １３３
　　５. ６. ２　ＲＢＦ 网络在地表水质评价中的
应用 １３３
　　５. ６. ３　ＲＢＦ 网络在汽油干点软测量中的
应用 １３４
　５. ７　基于ＭＡＴＬＡＢ 的ＲＢＦ 网络应用
Ⅶ　
实例 １３６
　扩展资料 １３８
　本章小结 １３８
　习题 １３９
第６ 章　反馈神经网络 １４０
　６. １　离散型Ｈｏｐｆｉｅｌｄ 神经网络 １４０
　　６. １. １　网络的结构与工作方式 １４０
　　６. １. ２　网络的稳定性与吸引子 １４１
　　６. １. ３　网络的权值设计 １４７
　　６. １. ４　网络的信息存储容量 １４８
　６. ２　连续型Ｈｏｐｆｉｅｌｄ 神经网络 １４９
　　６. ２. １　网络的拓朴结构 １４９
　　６. ２. ２　能量函数与稳定性分析 １５０
　６. ３　Ｈｏｐｆｉｅｌｄ 网络应用与设计实例 １５１
　　６. ３. １　应用ＤＨＮＮ 网解决联想问题 １５１
　　６. ３. ２　应用ＣＨＮＮ 网解决优化计算
问题 １５２
　６. ４　双向联想记忆神经网络 １５５
　　６. ４. １　ＢＡＭ 网结构与原理 １５５
　　６. ４. ２　能量函数与稳定性 １５６
　　６. ４. ３　ＢＡＭ 网的权值设计 １５７
　　６. ４. ４　ＢＡＭ 网的应用 １５８
　６. ５　随机神经网络 １５９
　　６. ５. １　模拟退火原理 １６０
　　６. ５. ２　玻尔兹曼机 １６１
　扩展资料 １６５
　本章小结 １６６
　习题 １６６
第７ 章　小脑模型神经网络 １６８
　７. １　ＣＭＡＣ 网络的结构 １６８
　７. ２　ＣＭＡＣ 网络的工作原理 １６９
　　７. ２. １　从Ｘ 到Ｍ 的映射 １６９
　　７. ２. ２　从Ｍ 到Ａ 的映射 １７１
　　７. ２. ３　从Ａ 到Ａｐ的映射 １７２
　　７. ２. ４　从Ａｐ到Ｆ 的映射 １７３
　７. ３　ＣＭＡＣ 网络的学习算法 １７３
　７. ４　ＣＭＡＣ 网络的应用 １７４
　扩展资料 １７５
第８ 章　深度神经网络 １７６
　８. １　深度神经网络框架 １７７
　　８. １. １　选择深层模型的原因 １７７
　　８. １. ２　深度网络的训练算法 １７９
　　８. １. ３　深度学习的软件工具及平台 １８０
　８. ２　受限玻尔兹曼机和深度置信网 １８０
　　８. ２. １　受限玻尔兹曼机的基本结构 １８１
　　８. ２. ２　受限玻尔兹曼机的能量模型和
似然函数 １８１
　　８. ２. ３　最优参数的梯度计算 １８２
　　８. ２. ４　基于对比散度的快速算法 １８４
　　８. ２. ５　深度置信网络 １８５
　８. ３　卷积神经网络 １８６
　　８. ３. １　卷积神经网络基本概念及原理 １８７
　　８. ３. ２　卷积神经网络完整模型 １８９
　　８. ３. ３　ＣＮＮ 的学习 １９０
　　８. ３. ４　ＣＮＮ 应用 １９０
　８. ４　堆栈式自动编码器 １９２
　　８. ４. １　自编码算法与稀疏性 １９２
　　８. ４. ２　栈式自动编码器 １９４
　　８. ４. ３　栈式自编码网络在手写数字
分类中的应用 １９４
　扩展资料 １９６
　本章小结 １９７
　习题 １９８
第９ 章　支持向量机 １９９
　９. １　支持向量机的基本思想 １９９
　　９. １. １　最优超平面的概念 １９９
　　９. １. ２　线性可分数据最优超平面的
构建 ２０１
　　９. １. ３　非线性可分数据最优超平面的
构建 ２０２
　９. ２　非线性支持向量机 ２０３
　　９. ２. １　基于内积核的最优超平面 ２０３
　　９. ２. ２　非线性支持向量机神经网络 ２０５
　９. ３　支持向量机的学习算法 ２０５
　９. ４　支持向量机设计应用实例 ２０７
　　９. ４. １　ＸＯＲ 问题 ２０７
　　９. ４. ２　人工数据分类 ２１０
　　９. ４. ３　手写体阿拉伯数字识别 ２１１
　９. ５　基于ＭＡＴＬＡＢ 的支持向量机分类 ２１２
　扩展资料 ２１４
　本章小结 ２１５
　习题 ２１５
第１０ 章　遗传算法与神经网络进化 ２１６
　１０. １　遗传算法的原理与特点 ２１６
　　１０. １. １　遗传算法的基本原理 ２１６
Ⅷ　
　　１０. １. ２　遗传算法的特点 ２１７
　１０. ２　遗传算法的基本操作与模式理论 ２１７
　　１０. ２. １　遗传算法的基本操作 ２１８
　　１０. ２. ２　遗传算法的模式理论 ２２０
　１０. ３　遗传算法的实现与改进 ２２３
　　１０. ３. １　编码问题 ２２３
　　１０. ３. ２　初始种群的产生 ２２３
　　１０. ３. ３　适应度的设计 ２２４
　　１０. ３. ４　遗传算法的操作步骤 ２２５
　　１０. ３. ５　遗传算法中的参数选择 ２２５
　　１０. ３. ６　遗传算法的改进 ２２５
　１０. ４　遗传算法在神经网络设计中的
应用 ２２６
　　１０. ４. １　遗传算法用于神经网络的
权值优化 ２２７
　　１０. ４. ２　遗传算法用于神经网络的
结构优化 ２２９
　本章小结 ２３１
　习题 ２３２
第１１ 章　神经网络系统设计与软
硬件实现 ２３３
　１１. １　神经网络系统总体设计 ２３３
　　１１. １. １　神经网络的适用范围 ２３３
　　１１. １. ２　神经网络的设计过程与需求
分析 ２３４
　　１１. １. ３　神经网络的性能评价 ２３５
　　１１. １. ４　输入数据的预处理 ２３８
　１１. ２　神经网络的软件实现 ２３８
　１１. ３　神经网络的高级开发环境 ２３９
　　１１. ３. １　神经网络的开发环境及其
特征 ２４０
　　１１. ３. ２　ＭＡＴＬＡＢ 神经网络工具箱 ２４０
　　１１. ３. ３　其他神经网络开发环境简介 ２４５
　１１. ４　神经网络的硬件实现 ２４７
　　１１. ４. １　概述 ２４７
　　１１. ４. ２　神经元器件 ２４９
　　１１. ４. ３　神经网络系统结构 ２５１
　　１１. ４. ４　神经网络的光学实现 ２５４
　扩展资料 ２５７
　本章小结 ２５７
　习题 ２５７
第１２ 章　人工神经系统 ２５８
　１２. １　人工神经系统的基本概念 ２５８
　　１２. １. １　生物神经系统 ２５８
　　１２. １. ２　人工神经系统 ２５９
　１２. ２　人工神经系统的体系结构 ２５９
　　１２. ２. １　高级中枢神经系统 ２５９
　　１２. ２. ２　低级中枢神经系统 ２６１
　　１２. ２. ３　外周神经系统 ２６１
　１２. ３　人工神经系统的控制特性 ２６２
　　１２. ３. １　神经快速、分区控制系统 ２６３
　　１２. ３. ２　体液慢速、分工控制系统 ２６３
　　１２. ３. ３　人体神经控制系统 ２６３
　１２. ４　人工神经系统的信息模式 ２６４
　　１２. ４. １　“数字.模拟” 混合信息模式 ２６４
　　１２. ４. ２　“串行.并行” 兼容信息模式 ２６５
　　１２. ４. ３　“集中.分散” 结合信息模式 ２６５
　１２. ５　人工神经系统的应用示例 ２６６
　　１２. ５. １　拟人智能综合自动化系统 ２６６
　　１２. ５. ２　人工鱼的总体技术方案 ２６６
　本章小结 ２６８
　习题 ２６８
参考文献 ２６９