人工神经网络理论及应用

前言
第１ 章　绪论 １
　１. １　人工神经网络概述 １
　　１. １. １　人脑与计算机信息处理能力的
比较 ２
　　１. １. ２　人脑与计算机信息处理机制的
比较 ３
　　１. １. ３　什么是人工神经网络 ４
　１. ２　人工神经网络发展简史 ５
　　１. ２. １　启蒙时期 ５
　　１. ２. ２　低潮时期 ７
　　１. ２. ３　复兴时期 ８
　　１. ２. ４　新时期 ９
　　１. ２. ５　海量数据时代 １２
　　１. ２. ６　国内研究概况 １２
　１. ３　神经网络的基本特征与功能 １３
　　１. ３. １　神经网络的基本特点 １３
　　１. ３. ２　神经网络的基本功能 １３
　１. ４　神经网络的应用领域 １５
　　１. ４ １　信息处理领域 １５
　　１. ４. ２　自动化领域 １６
　　１. ４. ３　工程领域 １６
　　１. ４. ４　医学领域 １７
　　１. ４. ５　经济领域 １７
　本章小结 １８
　习题 １９
第２ 章　人工神经网络建模基础 ２０
　２. １　脑的生物神经系统概述 ２０
　　２. １. １　人体神经系统的构成 ２０
　　２. １. ２　高级中枢神经系统的功能 ２１
　　２. １. ３　脑组织的分层结构 ２２
　２. ２　生物神经网络基础 ２３
　　２. ２. １　生物神经元的结构 ２３
　　２. ２. ２　生物神经元的信息处理机理 ２４
　２. ３　人工神经元模型 ２６
　　２. ３. １　神经元的建模 ２６
　　２. ３. ２　神经元的数学模型 ２７
　　２. ３. ３　神经元的变换函数 ２８
　２. ４　人工神经网络模型 ３０
　　２. ４. １　网络拓扑结构类型 ３０
　　２. ４. ２　网络信息流向类型 ３１
　２. ５　神经网络学习 ３２
　　２. ５. １　Ｈｅｂｂｉａｎ 学习规则 ３４
　　２. ５. ２　离散感知器学习规则 ３５
　　２. ５. ３　连续感知器学习规则 ３６
　　２. ５. ４　*小方均学习规则 ３７
　　２. ５. ５　相关学习规则 ３８
　　２. ５. ６　胜者为王学习规则 ３８
　　２. ５. ７　外星学习规则 ３８
　本章小结 ４０
　习题 ４０
第３ 章　感知器神经网络 ４２
　３. １　单层感知器 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　感知器的学习算法 ４５
　３. ２　多层感知器 ４７
　３. ３　自适应线性单元简介 ４９
　　３. ３. １　ＡＤＡＬＩＮＥ 模型 ４９
　　３. ３. ２　ＡＤＡＬＩＮＥ 学习算法 ４９
　　３. ３. ３　ＡＤＡＬＩＮＥ 应用 ５１
　３. ４　误差反传算法 ５１
Ⅵ　
　　３. ４. １　基于ＢＰ 算法的多层感知器
模型 ５２
　　３. ４. ２　ＢＰ 学习算法 ５３
　　３. ４. ３　ＢＰ 算法的程序实现 ５６
　　３. ４. ４　多层感知器的主要能力 ５７
　　３. ４. ５　误差曲面与ＢＰ 算法的局限性 ５８
　３. ５　标准ＢＰ 算法的改进 ５９
　　３. ５. １　增加动量项 ５９
　　３. ５. ２　自适应调节学习率 ５９
　　３. ５. ３　引入陡度因子 ６０
　３. ６　基于ＢＰ 算法的多层感知器设计
基础 ６０
　　３. ６. １　网络信息容量与训练样本数 ６０
　　３. ６. ２　训练样本集的准备 ６１
　　３. ６. ３　初始权值的设计 ６４
　　３. ６. ４　多层感知器结构设计 ６５
　　３. ６. ５　网络训练与测试 ６６
　３. ７　基于ＢＰ 算法的多层感知器应用与设计
实例 ６７
　　３. ７. １　基于ＢＰ 算法的多层感知器用于
催化剂配方建模 ６７
　　３. ７. ２　基于ＢＰ 算法的多层感知器用于
汽车变速器*佳挡位判定 ６８
　　３. ７. ３　基于ＢＰ 算法的多层感知器用于
图像压缩编码 ６９
　　３. ７. ４　基于ＢＰ 算法的多层感知器用于
水库优化调度 ６９
　３. ８　基于ＭＡＴＬＡＢ 的ＢＰ 网络应用实例 ７０
　　３. ８. １　ＢＰ 网络用于数据拟合 ７０
　　３. ８. ２　ＢＰ 网络用于鸢尾花分类问题 ７２
　扩展资料 ７６
　本章小结 ７７
　习题 ７７
第４ 章　自组织竞争神经网络 ８０
　４. １　竞争学习的概念与原理 ８０
　　４. １. １　基本概念 ８０
　　４. １. ２　竞争学习原理 ８２
　４. ２　自组织特征映射神经网络 ８４
　　４. ２. １　ＳＯＦＭ 网的生物学基础 ８５
　　４. ２. ２　ＳＯＦＭ 网的拓扑结构与权值
调整域 ８５
　　４. ２. ３　自组织特征映射网的运行原理与
学习算法 ８６
　　４. ２. ４　ＳＯＦＭ 网的设计基础 ９０
　　４. ２. ５　应用与设计实例 ９２
　４. ３　学习向量量化神经网络 ９５
　　４. ３. １　向量量化 ９５
　　４. ３. ２　ＬＶＱ 网络结构与工作原理 ９６
　　４. ３. ３　ＬＶＱ 网络的学习算法 ９７
　４. ４　对偶传播神经网络 ９８
　　４. ４. １　网络结构与运行原理 ９８
　　４. ４. ２　ＣＰＮ 的学习算法 ９９
　　４. ４. ３　改进的ＣＰＮ 网 １００