過程神經(jīng)元網(wǎng)絡(luò)

第1章　緒論
1.1　人工智能的發(fā)展
1.2　人工智能系統(tǒng)的特征
1.3　計(jì)算智能
1.3.1　模糊計(jì)算
1.3.2　神經(jīng)計(jì)算
1.3.3　進(jìn)化計(jì)算
1.3.4　三個(gè)“分支”的結(jié)合
1.4　過程神經(jīng)元網(wǎng)絡(luò)
第2章　人工神經(jīng)元網(wǎng)絡(luò)
2.1　生物神經(jīng)元
2.2　神經(jīng)元的數(shù)學(xué)模型
2.3　前饋/反饋神經(jīng)元網(wǎng)絡(luò)
2.3.1　前饋/反饋神經(jīng)元網(wǎng)絡(luò)模型
2.3.2　前饋神經(jīng)元網(wǎng)絡(luò)的函數(shù)逼近能力
2.3.3　前饋神經(jīng)元網(wǎng)絡(luò)的計(jì)算能力
2.3.4　前饋神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)算法
2.3.5　前饋神經(jīng)元網(wǎng)絡(luò)的泛化問題
2.3.6　前饋神經(jīng)元網(wǎng)絡(luò)的應(yīng)用’
2.4　模糊神經(jīng)元網(wǎng)絡(luò)
2.4.1　模糊神經(jīng)元
2.4.2　模糊神經(jīng)元網(wǎng)絡(luò)
2.5　非線性聚合人工神經(jīng)元網(wǎng)絡(luò)
2.5.1　分式聚合人工神經(jīng)元網(wǎng)絡(luò)
2.5.2　極大（或極小）聚合人工神經(jīng)元網(wǎng)絡(luò)
2.5.3　其他非線性聚合人工神經(jīng)元網(wǎng)絡(luò)
2.6　時(shí)空聚合與過程神經(jīng)元網(wǎng)絡(luò)
2.7　人工神經(jīng)元網(wǎng)絡(luò)的歸類
第3章　過程神經(jīng)元
3.1　生物神經(jīng)元的啟示
3.2　過程神經(jīng)元的定義
3.3　過程神經(jīng)元與泛函
3.4　模糊過程神經(jīng)元
3.4.1　過程神經(jīng)元的模糊化
3.4.2 由模糊加權(quán)推理規(guī)則構(gòu)造的模糊過程神經(jīng)元
3.5　過程神經(jīng)元與復(fù)合函數(shù)
第4章　前饋過程神經(jīng)元網(wǎng)絡(luò)
4.1　前饋過程神經(jīng)元網(wǎng)絡(luò)的一種簡(jiǎn)單模型
4.2　前饋過程神經(jīng)元網(wǎng)絡(luò)的一般模型
4.3　基于權(quán)函數(shù)基展開的過程神經(jīng)元網(wǎng)絡(luò)模型
4.4　前饋過程神經(jīng)元網(wǎng)絡(luò)的基本定理
4.4.1　解的存在性
4.4.2　連續(xù)性
4.4.3　泛函逼近性質(zhì)
4.4.4　計(jì)算能力
4.5　分式前饋過程神經(jīng)元網(wǎng)絡(luò)
4.5.1　分式過程神經(jīng)元
4.5.2　分式過程神經(jīng)元網(wǎng)絡(luò)模型
4.6　輸入與輸出均為時(shí)變函數(shù)的過程神經(jīng)元網(wǎng)絡(luò)
4.6.1 網(wǎng)絡(luò)結(jié)構(gòu)
4.6.2　模型的連續(xù)性與逼近能力
4.7　連續(xù)過程神經(jīng)元網(wǎng)絡(luò)
4.7.1　連續(xù)過程神經(jīng)元
4.7.2　連續(xù)過程神經(jīng)元網(wǎng)絡(luò)模型
4.7.3　模型的連續(xù)性、逼近能力和計(jì)算能力
4.8　泛函神經(jīng)元網(wǎng)絡(luò)
4.8.1　泛函神經(jīng)元
4.8.2　前饋泛函神經(jīng)元網(wǎng)絡(luò)模型
4.9　結(jié)束語
第5章　過程神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)算法
5.1 基于梯度下降和牛頓法下降的學(xué)習(xí)算法
5.1.1　基于梯度下降的一般學(xué)習(xí)算法
5.1.2　基于梯度一牛頓法結(jié)合的學(xué)習(xí)算法
5.1.3　基于牛頓下山法的學(xué)習(xí)算法
5.2 基于正交基展開的學(xué)習(xí)算法
5.2.1 輸入函數(shù)的正交基展開
5.2.2 學(xué)習(xí)算法推導(dǎo)
5.2.3 算法描述和復(fù)雜性分析
5.3 基于傅里葉函數(shù)變換的學(xué)習(xí)算法
5.3.1 L2[0，2π]中函數(shù)的傅里葉正交基展開
5.3.2 學(xué)習(xí)算法推導(dǎo)
5.4 基于walsh函數(shù)變換的學(xué)習(xí)算法
5.4.1 基于離散walsh函數(shù)變換的學(xué)習(xí)算法
5.4.2 基于連續(xù)walsh函數(shù)變換的學(xué)習(xí)算法
5.5 基于樣條函數(shù)擬合的學(xué)習(xí)算法
5.5.1 樣條函數(shù)
5.5.2 學(xué)習(xí)算法推導(dǎo)
5.5.3 算法的適應(yīng)性和復(fù)雜性分析
5.6 基于有理平方逼近和最優(yōu)分段逼近的學(xué)習(xí)算法
5.6.1 基于有理平方逼近的學(xué)習(xí)算法
5.6.2 基于最優(yōu)分段逼近的學(xué)習(xí)算法
5.7 結(jié)束語
第6章 反饋過程神經(jīng)元網(wǎng)絡(luò)
6.1 一種三層結(jié)構(gòu)的反饋過程神經(jīng)元網(wǎng)絡(luò)
6.1.1 網(wǎng)絡(luò)結(jié)構(gòu)
6.1.2 學(xué)習(xí)算法
6.1.3 穩(wěn)定性分析
6.2 幾種其他形式的反饋過程神經(jīng)元網(wǎng)絡(luò)
6.2.1 輸入與輸出均為時(shí)變函數(shù)的反饋過程神經(jīng)元網(wǎng)絡(luò)
6.2.2 可用于模式分類的反饋過程神經(jīng)元網(wǎng)絡(luò)
6.2.3 可用于聯(lián)想記憶存儲(chǔ)的反饋過程神經(jīng)元網(wǎng)絡(luò)
6.3 應(yīng)用舉例
第7章 多聚合過程神經(jīng)元網(wǎng)絡(luò)
7.1 多聚合過程神經(jīng)元
7.2 多聚合過程神經(jīng)元網(wǎng)絡(luò)模型
7.2.1 多聚合過程神經(jīng)元網(wǎng)絡(luò)的一般模型
7.2.2 輸入與輸出均為多元過程函數(shù)的多聚合過程神經(jīng)元網(wǎng)絡(luò)模型
7.3 學(xué)習(xí)算法
7.3.1 多聚合過程神經(jīng)元網(wǎng)絡(luò)一般模型的學(xué)習(xí)算法
7.3.2 輸入與輸出均為多元函數(shù)的多聚合過程神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)算法
7.4 應(yīng)用舉例
7.5 結(jié)束語
第8章 過程神經(jīng)元網(wǎng)絡(luò)的設(shè)計(jì)和構(gòu)建
8.1 雙隱層過程神經(jīng)元網(wǎng)絡(luò)
8.1.1 網(wǎng)絡(luò)結(jié)構(gòu)
8.1.2 學(xué)習(xí)算法
8.1.3 應(yīng)用舉例
8.2 離散過程神經(jīng)元網(wǎng)絡(luò)
8.2.1 離散過程神經(jīng)元
8.2.2 離散過程神經(jīng)元網(wǎng)絡(luò)
8.2.3 學(xué)習(xí)算法
8.2.4 應(yīng)用舉例
8.3 級(jí)聯(lián)過程神經(jīng)元網(wǎng)絡(luò)
8.3.1 網(wǎng)絡(luò)結(jié)構(gòu)
8.3.2 學(xué)習(xí)算法
8.3.3 應(yīng)用舉例
8.4 自組織過程神經(jīng)元網(wǎng)絡(luò)
8.4.1 網(wǎng)絡(luò)結(jié)構(gòu)
8.4.2 學(xué)習(xí)算法
8.4.3 應(yīng)用舉例
8.5 對(duì)傳過程神經(jīng)元網(wǎng)絡(luò)
8.5.1 網(wǎng)絡(luò)結(jié)構(gòu)
8.5.2 學(xué)習(xí)算法
8.5.3 模式分類數(shù)的確定
8.5.4 應(yīng)用舉例
8.6 徑向基過程神經(jīng)元網(wǎng)絡(luò)
8.6.1 徑向基過程神經(jīng)元
8.6.2 網(wǎng)絡(luò)結(jié)構(gòu)
8.6.3 學(xué)習(xí)算法
8.6.4 立用舉例
8.7 結(jié)束語
第9章 過程神經(jīng)元網(wǎng)絡(luò)的應(yīng)用
9.1 在過程建模中的應(yīng)用
9.2 在非線性系統(tǒng)辨識(shí)中的應(yīng)用
9.2.1 非線性系統(tǒng)辨識(shí)原理
9.2.2 用于系統(tǒng)辨識(shí)的過程神經(jīng)元網(wǎng)絡(luò)
9.2.3 非線性系統(tǒng)辨識(shí)過程
9.3 在過程控制中的應(yīng)用
9.3.1 非線性系統(tǒng)的過程控制
9.3.2 過程控制器的設(shè)計(jì)和求解
9.3.3 仿真實(shí)驗(yàn)
9.4 在聚類和分類中的應(yīng)用
9.5 在過程優(yōu)化中的應(yīng)用
9.6 在預(yù)測(cè)預(yù)報(bào)中的應(yīng)用
9.7 在評(píng)估決策中的應(yīng)用
9.8 在宏觀控制中的應(yīng)用
9.9 其他應(yīng)用
9.10 值得進(jìn)一步研究的理論和實(shí)際問題
9.11 結(jié)束語
參考文獻(xiàn)