123,123

內(nèi)容簡(jiǎn)介

　　《神經(jīng)網(wǎng)絡(luò)》系統(tǒng)地論述了神經(jīng)網(wǎng)絡(luò)的基本原理、方法、技術(shù)和應(yīng)用，主要內(nèi)容包括：神經(jīng)信息處理的基本原理、感知器、反向傳播網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)、遞歸網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、核函數(shù)方法、神經(jīng)網(wǎng)絡(luò)集成、模糊神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、脈沖耦合神經(jīng)網(wǎng)絡(luò)、神經(jīng)場(chǎng)理論、神經(jīng)元集群以及神經(jīng)計(jì)算機(jī)。每章末附有習(xí)題，書(shū)末附有詳細(xì)的參考文獻(xiàn)。神經(jīng)網(wǎng)絡(luò)是通過(guò)對(duì)人腦或生物神經(jīng)網(wǎng)絡(luò)的抽象和建模，研究非程序的、適應(yīng)性的、大腦風(fēng)格的信息處理的本質(zhì)和能力。它以腦科學(xué)和認(rèn)知神經(jīng)科學(xué)的研究成果為基礎(chǔ)，拓展智能信息處理的方法，為解決復(fù)雜問(wèn)題和智能控制提供有效的途徑，是智能科學(xué)和計(jì)算智能的重要部分?！渡窠?jīng)網(wǎng)絡(luò)》內(nèi)容豐富，反映了當(dāng)前國(guó)內(nèi)外該領(lǐng)域的最新研究成果和動(dòng)向，可作為高等院校相關(guān)專(zhuān)業(yè)研究生及高年級(jí)本科生的神經(jīng)網(wǎng)絡(luò)、神經(jīng)計(jì)算課程的教材，也可供從事神經(jīng)網(wǎng)絡(luò)、智能信息處理、模式識(shí)別、智能控制研究與應(yīng)用的科技人員參考。

作者簡(jiǎn)介

暫缺《神經(jīng)網(wǎng)絡(luò)》作者簡(jiǎn)介

圖書(shū)目錄

第1章緒論
1.1 概述
1.2 神經(jīng)網(wǎng)絡(luò)的研究歷史
1.3 人腦的神經(jīng)系統(tǒng)
1.3.1 神經(jīng)元
1.3.2 突觸
1.3.3 動(dòng)作電位
1.3.4 離子通道
1.4 神經(jīng)信息處理的基本原理
1.5 簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)模型
1.5.1 簡(jiǎn)單線(xiàn)性模型
1.5.2 線(xiàn)性閾值單元
1.5.3 盒中腦狀態(tài)
1.5.4 熱力學(xué)模型
1.6 神經(jīng)網(wǎng)絡(luò)的研究?jī)?nèi)容
1.7 神經(jīng)網(wǎng)絡(luò)的分類(lèi)
1.8 神經(jīng)網(wǎng)絡(luò)研究的發(fā)展方向
習(xí)題
第2章感知器
2.1 感知器的認(rèn)知觀點(diǎn)
2.2 單層感知器
2.2.1 單層感知器網(wǎng)絡(luò)結(jié)構(gòu)
2.2.2 感知器的學(xué)習(xí)算法
2.2.3 感知器算法的收斂性
2.2.4 異或問(wèn)題
2.3 多層感知器
2.4 學(xué)習(xí)算法的優(yōu)化
2.4.1 最速下降法
2.4.2 牛頓方法
2.4.3 高斯一牛頓方法
2.5 最小均方(LMS)算法
2.5.1 最小均方算法描述
2.5.2 最小均方算法的收斂性
2.5.3 最小均方算法的評(píng)價(jià)
習(xí)題
第3章反向傳播網(wǎng)絡(luò)
3.1 概述
3.2 反向傳播網(wǎng)絡(luò)的結(jié)構(gòu)
3.3 反向傳播算法
3.3.1 反向傳播算法的基本原理
3.3.2 反向傳播算法的問(wèn)題
3.4 反向傳播算法性能分析
3.5 反向傳播算法的改進(jìn)
3.5.1 動(dòng)量反向傳播算法
3.5.2 批量更新
3.5.3 搜索然后收斂方法
3.5.4 自適應(yīng)BP算法
3.5.5 共軛梯度法
3.5.6 擬牛頓法
3.5.7 Levenberg-Marquardt算法
3.6 反向傳播網(wǎng)絡(luò)學(xué)習(xí)程序
習(xí)題
第4章自組織網(wǎng)絡(luò)
4.1 概述
4.2 Kohonen自組織映射
4.2.1 自組織映射過(guò)程
4.2.2 SOM算法
4.2.3 特征映射
4.2.4 拓?fù)渑判?br />4.2.5 密度匹配
4.3 學(xué)習(xí)向量量化
4.4 自適應(yīng)共振理論神經(jīng)網(wǎng)絡(luò)
4.4.1 ART模型的結(jié)構(gòu)
4.4.2 ART的基本工作原理
4.4.3 ART模型的數(shù)學(xué)描述
4.5 認(rèn)知器
4.5.1 認(rèn)知器的結(jié)構(gòu)
4.5.2 新認(rèn)知器
4.6 主成分分析
4.6.1 基本原理
4.6.2 單個(gè)神經(jīng)元的主成分
4.6.3 單層網(wǎng)絡(luò)主成分提取
4.6.4 側(cè)抑制自適應(yīng)主成分提取算法
4.7 獨(dú)立成分分析
4.7.1 基本概念
4.7.2 獨(dú)立成分分析神經(jīng)網(wǎng)絡(luò)
4.7.3 快速固定點(diǎn)算法
習(xí)題
第5章遞歸網(wǎng)絡(luò)
5.1 概述
5.2 遞歸網(wǎng)絡(luò)體系結(jié)構(gòu)
5.2.1 輸入輸出遞歸網(wǎng)絡(luò)
5.2.2 狀態(tài)空間模型
5.2.3 遞歸多層感知器
5.2.4 二階網(wǎng)絡(luò)
5.3 狀態(tài)空間模型
5.4 Hopfield網(wǎng)絡(luò)
5.4.1 離散Hopfield網(wǎng)絡(luò)
5.4.2 聯(lián)想記憶
5.4.3 離散H0pfield網(wǎng)絡(luò)運(yùn)行程序
5.4.4 連續(xù)H0p6eld網(wǎng)絡(luò)
5.5 雙向聯(lián)想記憶模型
5.6 模擬退火算法
5.7 玻爾茲曼機(jī)
5.7.1 網(wǎng)絡(luò)結(jié)構(gòu)
5.7.2 學(xué)習(xí)算法
習(xí)題
第6章徑向基函數(shù)網(wǎng)絡(luò)
6.1 概述
6.2 徑向基函數(shù)數(shù)學(xué)基礎(chǔ)
6.2.1 插值計(jì)算
6.2.2 模式可分性
6.2.3 正則化理論
6.3 徑向基函數(shù)網(wǎng)絡(luò)結(jié)構(gòu)
6.3.1 RBF網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
6.3.2 RBF網(wǎng)絡(luò)元素
6.4 RBF網(wǎng)絡(luò)算法分析
6.4.1 RBF中心向量確定
6.4.2 RBF算法
6.4.3 RBF網(wǎng)絡(luò)性能分析
6.5 RBF網(wǎng)絡(luò)算法優(yōu)化
6.5.1 基于免疫算法的RBF網(wǎng)絡(luò)優(yōu)化
6.5.2 基于遺傳算法的RBF網(wǎng)絡(luò)優(yōu)化
6.6 CMAC網(wǎng)絡(luò)
6.7 泛函數(shù)連接網(wǎng)絡(luò)
6.8 小波神經(jīng)網(wǎng)絡(luò)
6.9 過(guò)程神經(jīng)網(wǎng)絡(luò)
6.9.1 過(guò)程神經(jīng)網(wǎng)絡(luò)模型
6.9.2 學(xué)習(xí)算法
習(xí)題
第7章核函數(shù)方法
7.1 概述
7.2 統(tǒng)計(jì)學(xué)習(xí)問(wèn)題
7.2.1 經(jīng)驗(yàn)風(fēng)險(xiǎn)
7.2.2 VC維
7.3 學(xué)習(xí)過(guò)程的一致性
7.3.1 學(xué)習(xí)一致性的經(jīng)典定義
7.3.2 學(xué)習(xí)理論的重要定理
7.3.3 VC熵
7.4 結(jié)構(gòu)風(fēng)險(xiǎn)最小歸納原理
7.5 支持向量機(jī)
7.5.1 線(xiàn)性可分
……
第8章神經(jīng)網(wǎng)絡(luò)集成
第9章模糊神經(jīng)網(wǎng)絡(luò)
第10章概率神經(jīng)網(wǎng)絡(luò)
第11章脈沖耦合神經(jīng)網(wǎng)絡(luò)
第12章神經(jīng)場(chǎng)理論
第13章神經(jīng)元集群
第14章神經(jīng)計(jì)算機(jī)