人工神經(jīng)網(wǎng)絡理論及應用

前言
第1 章　緒論 1
1. 1　人工神經(jīng)網(wǎng)絡概述 1
1. 1. 1　人腦與計算機信息處理能力的
比較 2
1. 1. 2　人腦與計算機信息處理機制的
比較 3
1. 1. 3　什么是人工神經(jīng)網(wǎng)絡 4
1. 2　人工神經(jīng)網(wǎng)絡發(fā)展簡史 5
1. 2. 1　啟蒙時期 5
1. 2. 2　低潮時期 7
1. 2. 3　復興時期 8
1. 2. 4　新時期 9
1. 2. 5　海量數(shù)據(jù)時代 12
1. 2. 6　國內研究概況 12
1. 3　神經(jīng)網(wǎng)絡的基本特征與功能 13
1. 3. 1　神經(jīng)網(wǎng)絡的基本特點 13
1. 3. 2　神經(jīng)網(wǎng)絡的基本功能 13
1. 4　神經(jīng)網(wǎng)絡的應用領域 15
1. 4 1　信息處理領域 15
1. 4. 2　自動化領域 16
1. 4. 3　工程領域 16
1. 4. 4　醫(yī)學領域 17
1. 4. 5　經(jīng)濟領域 17
本章小結 18
習題 19
第2 章　人工神經(jīng)網(wǎng)絡建?；A 20
2. 1　腦的生物神經(jīng)系統(tǒng)概述 20
2. 1. 1　人體神經(jīng)系統(tǒng)的構成 20
2. 1. 2　高級中樞神經(jīng)系統(tǒng)的功能 21
2. 1. 3　腦組織的分層結構 22
2. 2　生物神經(jīng)網(wǎng)絡基礎 23
2. 2. 1　生物神經(jīng)元的結構 23
2. 2. 2　生物神經(jīng)元的信息處理機理 24
2. 3　人工神經(jīng)元模型 26
2. 3. 1　神經(jīng)元的建模 26
2. 3. 2　神經(jīng)元的數(shù)學模型 27
2. 3. 3　神經(jīng)元的變換函數(shù) 28
2. 4　人工神經(jīng)網(wǎng)絡模型 30
2. 4. 1　網(wǎng)絡拓撲結構類型 30
2. 4. 2　網(wǎng)絡信息流向類型 31
2. 5　神經(jīng)網(wǎng)絡學習 32
2. 5. 1　Hebbian 學習規(guī)則 34
2. 5. 2　離散感知器學習規(guī)則 35
2. 5. 3　連續(xù)感知器學習規(guī)則 36
2. 5. 4　最小方均學習規(guī)則 37
2. 5. 5　相關學習規(guī)則 38
2. 5. 6　勝者為王學習規(guī)則 38
2. 5. 7　外星學習規(guī)則 38
本章小結 40
習題 40
第3 章　感知器神經(jīng)網(wǎng)絡 42
3. 1　單層感知器 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　感知器的學習算法 45
3. 2　多層感知器 47
3. 3　自適應線性單元簡介 49
3. 3. 1　ADALINE 模型 49
3. 3. 2　ADALINE 學習算法 49
3. 3. 3　ADALINE 應用 51
3. 4　誤差反傳算法 51
Ⅵ
3. 4. 1　基于BP 算法的多層感知器
模型 52
3. 4. 2　BP 學習算法 53
3. 4. 3　BP 算法的程序實現(xiàn) 56
3. 4. 4　多層感知器的主要能力 57
3. 4. 5　誤差曲面與BP 算法的局限性 58
3. 5　標準BP 算法的改進 59
3. 5. 1　增加動量項 59
3. 5. 2　自適應調節(jié)學習率 59
3. 5. 3　引入陡度因子 60
3. 6　基于BP 算法的多層感知器設計
基礎 60
3. 6. 1　網(wǎng)絡信息容量與訓練樣本數(shù) 60
3. 6. 2　訓練樣本集的準備 61
3. 6. 3　初始權值的設計 64
3. 6. 4　多層感知器結構設計 65
3. 6. 5　網(wǎng)絡訓練與測試 66
3. 7　基于BP 算法的多層感知器應用與設計
實例 67
3. 7. 1　基于BP 算法的多層感知器用于
催化劑配方建模 67
3. 7. 2　基于BP 算法的多層感知器用于
汽車變速器最佳擋位判定 68
3. 7. 3　基于BP 算法的多層感知器用于
圖像壓縮編碼 69
3. 7. 4　基于BP 算法的多層感知器用于
水庫優(yōu)化調度 69
3. 8　基于MATLAB 的BP 網(wǎng)絡應用實例 70
3. 8. 1　BP 網(wǎng)絡用于數(shù)據(jù)擬合 70
3. 8. 2　BP 網(wǎng)絡用于鳶尾花分類問題 72
擴展資料 76
本章小結 77
習題 77
第4 章　自組織競爭神經(jīng)網(wǎng)絡 80
4. 1　競爭學習的概念與原理 80
4. 1. 1　基本概念 80
4. 1. 2　競爭學習原理 82
4. 2　自組織特征映射神經(jīng)網(wǎng)絡 84
4. 2. 1　SOFM 網(wǎng)的生物學基礎 85
4. 2. 2　SOFM 網(wǎng)的拓撲結構與權值
調整域 85
4. 2. 3　自組織特征映射網(wǎng)的運行原理與
學習算法 86
4. 2. 4　SOFM 網(wǎng)的設計基礎 90
4. 2. 5　應用與設計實例 92
4. 3　學習向量量化神經(jīng)網(wǎng)絡 95
4. 3. 1　向量量化 95
4. 3. 2　LVQ 網(wǎng)絡結構與工作原理 96
4. 3. 3　LVQ 網(wǎng)絡的學習算法 97
4. 4　對偶傳播神經(jīng)網(wǎng)絡 98
4. 4. 1　網(wǎng)絡結構與運行原理 98
4. 4. 2　CPN 的學習算法 99
4. 4. 3　改進的CPN 網(wǎng) 100