人工神經(jīng)網(wǎng)絡(luò)建造

     目 錄
   第一章 緒 論
    1.1歷史回顧
    1.2生物神經(jīng)
    1.2.1神經(jīng) 元
    1.2.2信息傳遞
    1.3神經(jīng)組織
    1.4視覺(jué)神經(jīng)
    1.5腦記憶的生理機(jī)制
    1.6分布系統(tǒng)的特點(diǎn)
    1.7分布系統(tǒng)的研究方法
    1.8人工神經(jīng)網(wǎng)絡(luò)與分布系統(tǒng)
    1.9人工神經(jīng)網(wǎng)絡(luò)信息處理原理
    1.9.1神 經(jīng) 元
    1.9.2人工神經(jīng)網(wǎng)絡(luò)的分類
    參考文獻(xiàn)
   第二章 人工神經(jīng)網(wǎng)絡(luò)的分布系統(tǒng)模型
    2.1基本數(shù)學(xué)工具
    2.1.1概率過(guò)程
    2.1.2連續(xù)時(shí)間的馬爾科夫過(guò)程
    2.1.3離散狀態(tài)系統(tǒng)與連續(xù)狀態(tài)系統(tǒng)
    2.1.4概率微分方程
    2.2勢(shì)條件和吉布斯分布
    2.2.1強(qiáng)勢(shì)條件
    2.2.2弱勢(shì)條件
    2.2.3細(xì)致平衡條件
    2.2.4正則系統(tǒng)和正則—散逸系統(tǒng)
    2.2.5Ito，Stratonovich概率微分方程及它們的?？恕绽士朔匠?br />     2.3系熵
    2.3.1最大熵原理
    2.3.2最小相對(duì)信息原理
    2.3.3最小平均“能量”原理
    2.3.4有序與無(wú)序平衡原理
    2.3.5系統(tǒng)平衡態(tài)的熵
    2.3.6平衡狀態(tài)的平均能量
    2.3.7最大熵分布
    2.4概率網(wǎng)絡(luò)
    2.4.1網(wǎng) 絡(luò)
    2.4.2Ising模型
    2.4.3利用平均場(chǎng)近似
    2.4.4馬爾科夫概率場(chǎng)和概率網(wǎng)絡(luò)
    2.5H0pfield網(wǎng)絡(luò)
    2.5.1Hopfield權(quán)值公式證明
    2.5.2連續(xù)Hopfield網(wǎng)
    2.5.3Hopf以d網(wǎng)絡(luò)優(yōu)化應(yīng)用
    2.6波爾茲曼機(jī)器
    附錄1
    附錄2
    附錄3
    參考文獻(xiàn)
    2.7網(wǎng)絡(luò)優(yōu)化
    2.7.1目標(biāo)函數(shù)
    2.7.2最優(yōu)化問(wèn)題的概率模型
    2.7.3分布最優(yōu)網(wǎng)絡(luò)
    2.7.4模擬退火法
    2.7.5網(wǎng)絡(luò)結(jié)構(gòu)變換
   第三章 人工神經(jīng)網(wǎng)絡(luò)的其它模型
    3.1人工神經(jīng)網(wǎng)絡(luò)的一般框架
    3.1.1一般框架
    3.1.2PDP模型分類
    3.1.3PDP模型分層機(jī)構(gòu)
    3.1.4一般并行活動(dòng)模型范例
    參考文獻(xiàn)
    3.2感知器算法
    3.2.1感知器基本性質(zhì)
    3.2.2感知器梯度算法
    3.2.3線性閾值元件感知器
    3.3.4最小二乘分類算法
    3.3誤差反傳遞算法
    3.3.1兩層網(wǎng)的缺點(diǎn)
    3.3.2擴(kuò)展誤差（Δ）規(guī)則
    3.3.3模擬結(jié)果
    3.3.4進(jìn)一步擴(kuò)展
    3.3.5改良BP算法
    3.3.6模擬程序
    3.4競(jìng)爭(zhēng)學(xué)習(xí)算法
    3.4.1競(jìng)爭(zhēng)學(xué)習(xí)機(jī)構(gòu)
    3.4.2競(jìng)爭(zhēng)學(xué)習(xí)
    3.4.3形式分析
    3.4.4實(shí)驗(yàn)結(jié)果
    3.4.5模擬程序
    參考文獻(xiàn)
    3.5遺傳算法的神經(jīng)網(wǎng)絡(luò)構(gòu)造方法
    3.5.1遺傳算法概述
    3.5.2遺傳算法應(yīng)用實(shí)例
    3.5.3遺傳算法的形式描述
    3.5.4遺傳算法神經(jīng)網(wǎng)絡(luò)
    參考文獻(xiàn)
    3.6基于自適應(yīng)共振理論的自組織網(wǎng)絡(luò)
    3.6.1ART的提出
    3.6.2ART模型結(jié)構(gòu)
    3.6.3競(jìng)爭(zhēng)學(xué)習(xí)模型
    3.6.4任意輸入環(huán)境中的自穩(wěn)定學(xué)習(xí)
    3.6.5交替學(xué)習(xí)模型
    3.6.62/3規(guī)則
    3.6.7假定測(cè)試的自動(dòng)控制
    3.6.8ART模型的數(shù)學(xué)方法
    3.6.9ART模型的學(xué)習(xí)算法
    參考文獻(xiàn)
   第四章 大規(guī)模人工神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)
    4.1計(jì)算機(jī)并行機(jī)制
    4.1.1并行性等級(jí)
    4.1.2并行結(jié)構(gòu)
    4.1.3處理機(jī)陣列
    4.1.4開(kāi)關(guān)網(wǎng)絡(luò)
    4.2Systolic陣列結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)處理
    4.2.1Systolic陣列結(jié)構(gòu)原理
    4.2.2波前陣列
    4.2.3人工神經(jīng)網(wǎng)絡(luò)的Systolic陣列實(shí)現(xiàn)
    參考文獻(xiàn)
    4.3專用硬件
    4.3.1數(shù)字VLSI神經(jīng)元處理器
    4.3.2模擬電路VLSI神經(jīng)元處理器
    4.3.3系統(tǒng)實(shí)例
    4.3.4光技術(shù)機(jī)器