過程神經元網(wǎng)絡

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　計算智能
1.3.1　模糊計算
1.3.2　神經計算
1.3.3　進化計算
1.3.4　三個“分支”的結合
1.4　過程神經元網(wǎng)絡
第2章　人工神經元網(wǎng)絡
2.1　生物神經元
2.2　神經元的數(shù)學模型
2.3　前饋/反饋神經元網(wǎng)絡
2.3.1　前饋/反饋神經元網(wǎng)絡模型
2.3.2　前饋神經元網(wǎng)絡的函數(shù)逼近能力
2.3.3　前饋神經元網(wǎng)絡的計算能力
2.3.4　前饋神經元網(wǎng)絡的學習算法
2.3.5　前饋神經元網(wǎng)絡的泛化問題
2.3.6　前饋神經元網(wǎng)絡的應用’
2.4　模糊神經元網(wǎng)絡
2.4.1　模糊神經元
2.4.2　模糊神經元網(wǎng)絡
2.5　非線性聚合人工神經元網(wǎng)絡
2.5.1　分式聚合人工神經元網(wǎng)絡
2.5.2　極大（或極?。┚酆先斯ど窠浽W(wǎng)絡
2.5.3　其他非線性聚合人工神經元網(wǎng)絡
2.6　時空聚合與過程神經元網(wǎng)絡
2.7　人工神經元網(wǎng)絡的歸類
第3章　過程神經元
3.1　生物神經元的啟示
3.2　過程神經元的定義
3.3　過程神經元與泛函
3.4　模糊過程神經元
3.4.1　過程神經元的模糊化
3.4.2 由模糊加權推理規(guī)則構造的模糊過程神經元
3.5　過程神經元與復合函數(shù)
第4章　前饋過程神經元網(wǎng)絡
4.1　前饋過程神經元網(wǎng)絡的一種簡單模型
4.2　前饋過程神經元網(wǎng)絡的一般模型
4.3　基于權函數(shù)基展開的過程神經元網(wǎng)絡模型
4.4　前饋過程神經元網(wǎng)絡的基本定理
4.4.1　解的存在性
4.4.2　連續(xù)性
4.4.3　泛函逼近性質
4.4.4　計算能力
4.5　分式前饋過程神經元網(wǎng)絡
4.5.1　分式過程神經元
4.5.2　分式過程神經元網(wǎng)絡模型
4.6　輸入與輸出均為時變函數(shù)的過程神經元網(wǎng)絡
4.6.1 網(wǎng)絡結構
4.6.2　模型的連續(xù)性與逼近能力
4.7　連續(xù)過程神經元網(wǎng)絡
4.7.1　連續(xù)過程神經元
4.7.2　連續(xù)過程神經元網(wǎng)絡模型
4.7.3　模型的連續(xù)性、逼近能力和計算能力
4.8　泛函神經元網(wǎng)絡
4.8.1　泛函神經元
4.8.2　前饋泛函神經元網(wǎng)絡模型
4.9　結束語
第5章　過程神經元網(wǎng)絡的學習算法
5.1 基于梯度下降和牛頓法下降的學習算法
5.1.1　基于梯度下降的一般學習算法
5.1.2　基于梯度一牛頓法結合的學習算法
5.1.3　基于牛頓下山法的學習算法
5.2 基于正交基展開的學習算法
5.2.1 輸入函數(shù)的正交基展開
5.2.2 學習算法推導
5.2.3 算法描述和復雜性分析
5.3 基于傅里葉函數(shù)變換的學習算法
5.3.1 L2[0，2π]中函數(shù)的傅里葉正交基展開
5.3.2 學習算法推導
5.4 基于walsh函數(shù)變換的學習算法
5.4.1 基于離散walsh函數(shù)變換的學習算法
5.4.2 基于連續(xù)walsh函數(shù)變換的學習算法
5.5 基于樣條函數(shù)擬合的學習算法
5.5.1 樣條函數(shù)
5.5.2 學習算法推導
5.5.3 算法的適應性和復雜性分析
5.6 基于有理平方逼近和最優(yōu)分段逼近的學習算法
5.6.1 基于有理平方逼近的學習算法
5.6.2 基于最優(yōu)分段逼近的學習算法
5.7 結束語
第6章 反饋過程神經元網(wǎng)絡
6.1 一種三層結構的反饋過程神經元網(wǎng)絡
6.1.1 網(wǎng)絡結構
6.1.2 學習算法
6.1.3 穩(wěn)定性分析
6.2 幾種其他形式的反饋過程神經元網(wǎng)絡
6.2.1 輸入與輸出均為時變函數(shù)的反饋過程神經元網(wǎng)絡
6.2.2 可用于模式分類的反饋過程神經元網(wǎng)絡
6.2.3 可用于聯(lián)想記憶存儲的反饋過程神經元網(wǎng)絡
6.3 應用舉例
第7章 多聚合過程神經元網(wǎng)絡
7.1 多聚合過程神經元
7.2 多聚合過程神經元網(wǎng)絡模型
7.2.1 多聚合過程神經元網(wǎng)絡的一般模型
7.2.2 輸入與輸出均為多元過程函數(shù)的多聚合過程神經元網(wǎng)絡模型
7.3 學習算法
7.3.1 多聚合過程神經元網(wǎng)絡一般模型的學習算法
7.3.2 輸入與輸出均為多元函數(shù)的多聚合過程神經元網(wǎng)絡的學習算法
7.4 應用舉例
7.5 結束語
第8章 過程神經元網(wǎng)絡的設計和構建
8.1 雙隱層過程神經元網(wǎng)絡
8.1.1 網(wǎng)絡結構
8.1.2 學習算法
8.1.3 應用舉例
8.2 離散過程神經元網(wǎng)絡
8.2.1 離散過程神經元
8.2.2 離散過程神經元網(wǎng)絡
8.2.3 學習算法
8.2.4 應用舉例
8.3 級聯(lián)過程神經元網(wǎng)絡
8.3.1 網(wǎng)絡結構
8.3.2 學習算法
8.3.3 應用舉例
8.4 自組織過程神經元網(wǎng)絡
8.4.1 網(wǎng)絡結構
8.4.2 學習算法
8.4.3 應用舉例
8.5 對傳過程神經元網(wǎng)絡
8.5.1 網(wǎng)絡結構
8.5.2 學習算法
8.5.3 模式分類數(shù)的確定
8.5.4 應用舉例
8.6 徑向基過程神經元網(wǎng)絡
8.6.1 徑向基過程神經元
8.6.2 網(wǎng)絡結構
8.6.3 學習算法
8.6.4 立用舉例
8.7 結束語
第9章 過程神經元網(wǎng)絡的應用
9.1 在過程建模中的應用
9.2 在非線性系統(tǒng)辨識中的應用
9.2.1 非線性系統(tǒng)辨識原理
9.2.2 用于系統(tǒng)辨識的過程神經元網(wǎng)絡
9.2.3 非線性系統(tǒng)辨識過程
9.3 在過程控制中的應用
9.3.1 非線性系統(tǒng)的過程控制
9.3.2 過程控制器的設計和求解
9.3.3 仿真實驗
9.4 在聚類和分類中的應用
9.5 在過程優(yōu)化中的應用
9.6 在預測預報中的應用
9.7 在評估決策中的應用
9.8 在宏觀控制中的應用
9.9 其他應用
9.10 值得進一步研究的理論和實際問題
9.11 結束語
參考文獻