人工神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用

前言
第1 章　緒論 1
1. 1　人工神經(jīng)網(wǎng)絡(luò)概述 1
1. 1. 1　人腦與計(jì)算機(jī)信息處理能力的
比較 2
1. 1. 2　人腦與計(jì)算機(jī)信息處理機(jī)制的
比較 3
1. 1. 3　什么是人工神經(jīng)網(wǎng)絡(luò) 4
1. 2　人工神經(jīng)網(wǎng)絡(luò)發(fā)展簡史 5
1. 2. 1　啟蒙時(shí)期 5
1. 2. 2　低潮時(shí)期 7
1. 2. 3　復(fù)興時(shí)期 8
1. 2. 4　新時(shí)期 9
1. 2. 5　海量數(shù)據(jù)時(shí)代 12
1. 2. 6　國內(nèi)研究概況 12
1. 3　神經(jīng)網(wǎng)絡(luò)的基本特征與功能 13
1. 3. 1　神經(jīng)網(wǎng)絡(luò)的基本特點(diǎn) 13
1. 3. 2　神經(jīng)網(wǎng)絡(luò)的基本功能 13
1. 4　神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域 15
1. 4 1　信息處理領(lǐng)域 15
1. 4. 2　自動(dòng)化領(lǐng)域 16
1. 4. 3　工程領(lǐng)域 16
1. 4. 4　醫(yī)學(xué)領(lǐng)域 17
1. 4. 5　經(jīng)濟(jì)領(lǐng)域 17
本章小結(jié) 18
習(xí)題 19
第2 章　人工神經(jīng)網(wǎng)絡(luò)建模基礎(chǔ) 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(gòu)成 20
2. 1. 2　高級(jí)中樞神經(jīng)系統(tǒng)的功能 21
2. 1. 3　腦組織的分層結(jié)構(gòu) 22
2. 2　生物神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 23
2. 2. 1　生物神經(jīng)元的結(jié)構(gòu) 23
2. 2. 2　生物神經(jīng)元的信息處理機(jī)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(xué)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(luò)模型 30
2. 4. 1　網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)類型 30
2. 4. 2　網(wǎng)絡(luò)信息流向類型 31
2. 5　神經(jīng)網(wǎng)絡(luò)學(xué)習(xí) 32
2. 5. 1　Hebbian 學(xué)習(xí)規(guī)則 34
2. 5. 2　離散感知器學(xué)習(xí)規(guī)則 35
2. 5. 3　連續(xù)感知器學(xué)習(xí)規(guī)則 36
2. 5. 4　最小方均學(xué)習(xí)規(guī)則 37
2. 5. 5　相關(guān)學(xué)習(xí)規(guī)則 38
2. 5. 6　勝者為王學(xué)習(xí)規(guī)則 38
2. 5. 7　外星學(xué)習(xí)規(guī)則 38
本章小結(jié) 40
習(xí)題 40
第3 章　感知器神經(jīng)網(wǎng)絡(luò) 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(xué)習(xí)算法 45
3. 2　多層感知器 47
3. 3　自適應(yīng)線性單元簡介 49
3. 3. 1　ADALINE 模型 49
3. 3. 2　ADALINE 學(xué)習(xí)算法 49
3. 3. 3　ADALINE 應(yīng)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(xué)習(xí)算法 53
3. 4. 3　BP 算法的程序?qū)崿F(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(biāo)準(zhǔn)BP 算法的改進(jìn) 59
3. 5. 1　增加動(dòng)量項(xiàng) 59
3. 5. 2　自適應(yīng)調(diào)節(jié)學(xué)習(xí)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(shè)計(jì)
基礎(chǔ) 60
3. 6. 1　網(wǎng)絡(luò)信息容量與訓(xùn)練樣本數(shù) 60
3. 6. 2　訓(xùn)練樣本集的準(zhǔn)備 61
3. 6. 3　初始權(quán)值的設(shè)計(jì) 64
3. 6. 4　多層感知器結(jié)構(gòu)設(shè)計(jì) 65
3. 6. 5　網(wǎng)絡(luò)訓(xùn)練與測試 66
3. 7　基于BP 算法的多層感知器應(yīng)用與設(shè)計(jì)
實(shí)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(diào)度 69
3. 8　基于MATLAB 的BP 網(wǎng)絡(luò)應(yīng)用實(shí)例 70
3. 8. 1　BP 網(wǎng)絡(luò)用于數(shù)據(jù)擬合 70
3. 8. 2　BP 網(wǎng)絡(luò)用于鳶尾花分類問題 72
擴(kuò)展資料 76
本章小結(jié) 77
習(xí)題 77
第4 章　自組織競爭神經(jīng)網(wǎng)絡(luò) 80
4. 1　競爭學(xué)習(xí)的概念與原理 80
4. 1. 1　基本概念 80
4. 1. 2　競爭學(xué)習(xí)原理 82
4. 2　自組織特征映射神經(jīng)網(wǎng)絡(luò) 84
4. 2. 1　SOFM 網(wǎng)的生物學(xué)基礎(chǔ) 85
4. 2. 2　SOFM 網(wǎng)的拓?fù)浣Y(jié)構(gòu)與權(quán)值
調(diào)整域 85
4. 2. 3　自組織特征映射網(wǎng)的運(yùn)行原理與
學(xué)習(xí)算法 86
4. 2. 4　SOFM 網(wǎng)的設(shè)計(jì)基礎(chǔ) 90
4. 2. 5　應(yīng)用與設(shè)計(jì)實(shí)例 92
4. 3　學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò) 95
4. 3. 1　向量量化 95
4. 3. 2　LVQ 網(wǎng)絡(luò)結(jié)構(gòu)與工作原理 96
4. 3. 3　LVQ 網(wǎng)絡(luò)的學(xué)習(xí)算法 97
4. 4　對(duì)偶傳播神經(jīng)網(wǎng)絡(luò) 98
4. 4. 1　網(wǎng)絡(luò)結(jié)構(gòu)與運(yùn)行原理 98
4. 4. 2　CPN 的學(xué)習(xí)算法 99
4. 4. 3　改進(jìn)的CPN 網(wǎng) 100