神經(jīng)網(wǎng)絡(luò)模式識別及其實(shí)現(xiàn)

第一章  引言
1.1  模式識別系統(tǒng)
1.2  人工神經(jīng)網(wǎng)絡(luò)方法的產(chǎn)生
1.3  模式識別序言
1.4  統(tǒng)計模式識別
1.5  按句法規(guī)則的模式識別
1.6  字符識別問題
1.7  題目的組織
參考與文獻(xiàn)
第二章  神經(jīng)網(wǎng)絡(luò)概述
2.1  生物神經(jīng)網(wǎng)絡(luò)概述
2.2  背景
2.3  生物神經(jīng)網(wǎng)絡(luò)
2.4  大腦中的分層組織
2.5  歷史背景
2.3  人工神經(jīng)網(wǎng)絡(luò)
參考與文獻(xiàn)
第三章  預(yù)處理
3.1  概述
3.2  掃描圖像的處理
3.3  圖像壓縮
3.3.1  圖像壓縮的例子
3.4  邊緣檢測
3.5  骨架處理
3.5.1  細(xì)化的例子
3.6  處理手寫輸入
3.7  圖像的分割
參考與文獻(xiàn)
第四章  有監(jiān)督學(xué)習(xí)的前饋網(wǎng)絡(luò)
4.1  前饋多層感知器結(jié)構(gòu)
4.2  用C++實(shí)現(xiàn)前饋多層感知器
4.3  利用B-P算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練
4.3.1  用C++實(shí)現(xiàn)B-P算法
4.4  一個基本例子
4.5  訓(xùn)練策略和避免局部最小
4.6  梯度下降中的變量
4.6.1  塊適應(yīng)和數(shù)據(jù)適應(yīng)梯度下降方法的比較
4.6.2  一階和二階梯度下除方法的比較
4.7  拓樸
4.8  ACON和OCON的比較
4.9  過訓(xùn)練和推廣
4.10  訓(xùn)練集合和網(wǎng)絡(luò)大小
4.11  共軛梯度方法
4.12  ALOPEX
參考與文獻(xiàn)
第五章  其它類型的神經(jīng)網(wǎng)絡(luò)
5.1  概述
5.2  徑向基函數(shù)網(wǎng)絡(luò)
5.2.1  網(wǎng)絡(luò)結(jié)構(gòu)
5.2.2  RBF訓(xùn)練
5.2.3  RBF網(wǎng)絡(luò)的應(yīng)用
5.3  高階神經(jīng)網(wǎng)絡(luò)
5.3.1  引言
5.3.2  結(jié)構(gòu)
5.3.3  幾何變換的不變性
5.3.4  范例
5.3.5  實(shí)際應(yīng)用
參考與文獻(xiàn)
第六章  特征提取I:幾何特征和變換
6.1  概述
6.2  幾何特征(環(huán)、交叉點(diǎn)、端點(diǎn))
6.2.1  交叉點(diǎn)和端點(diǎn)
6.2.2  環(huán)
6.3  特征映射
6.4  基于幾何特征的一個網(wǎng)絡(luò)例子
6.5  利用變換進(jìn)行特征提取
6.6  傅立葉描述符
6.7  Gabor變換和子波
參考與文獻(xiàn)
第七章  特征提取II:主分量分析
7.1  降維
7.2  主分量
7.2.1  PCA示例
7.3  KARHUNEN-LOEVE（K-L）變換
7.3.1  變換示例
7.4  主分量神經(jīng)網(wǎng)絡(luò)
7.5  應(yīng)用
參考與文獻(xiàn)
第八章  Kononen網(wǎng)絡(luò)和學(xué)習(xí)矢量量化
8.1  概述
8.2  K均值算法
8.2.1  K均值算法舉例
8.3  Kohonen模型介紹
8.3.1  Kohonen網(wǎng)絡(luò)示例
8.4  側(cè)反饋規(guī)則
8.5  Kohonen自組織特征映射
8.5.1  SOFM舉例
8.6  學(xué)習(xí)矢量量化
8.6.1  LVQ舉例
8.7  LVQ的改進(jìn)
8.7.1  LVQ2
8.7.2  LVQ2.1
8.7.3  LVQ3
8.7.4  LVQ的最后變形
參考與文獻(xiàn)
第九章  神經(jīng)聯(lián)想記憶和Hopfield網(wǎng)絡(luò)
9.1  概述
9.2  線性聯(lián)想記憶（LAM）
9.2.1  一個自聯(lián)想LAM例子
9.3  Hopfield網(wǎng)絡(luò)
9.4  Hopfield的一個范例
9.5  討論
9.6  位圖范例
9.7  BAM網(wǎng)絡(luò)
9.8  一個BAM網(wǎng)絡(luò)范例
參考與文獻(xiàn)
第十章  自適應(yīng)共振理論
10.1  概述
10.2  尋求聚類結(jié)構(gòu)
10.3  矢量量化
10.3.1  VQ舉例1
10.3.2  VQ舉例2
10.3.3  VQ舉例3
10.4  ART基本原理
10.5  穩(wěn)定性和可塑性兩難問題
10.6  ART1：基本工作方式
10.7  ART1：算法
10.8  增益控制機(jī)制
10.8.1  增益控制機(jī)制1
10.8.2  增益控制機(jī)制2
10.9  ART2模型
10.10  討論
10.11  應(yīng)用
參考與文獻(xiàn)
第十一章  神經(jīng)認(rèn)知機(jī)
11.1  引言
11.2  網(wǎng)絡(luò)的結(jié)構(gòu)
11.3  神經(jīng)認(rèn)知機(jī)的一個例子
參考與文獻(xiàn)
第十二章  多分類器系統(tǒng)
12.1  綜述
12.2  多種識別器組合成的系統(tǒng)結(jié)構(gòu)
12.3  投票方案
12.4  混淆矩陣
12.5  可靠性
12.6  一些經(jīng)驗方法
參考與文獻(xiàn)