人工神經(jīng)網(wǎng)絡及其融合應用技術

前言
第1章緒論.
1.1人工神經(jīng)網(wǎng)絡概述
1.1.1神經(jīng)網(wǎng)絡模型
1.1.2神經(jīng)網(wǎng)絡的工作方式
1.1.3神經(jīng)網(wǎng)絡的學習規(guī)則
1.1.4神經(jīng)網(wǎng)絡的基本性質(zhì)及應用
1.2人工神經(jīng)網(wǎng)絡的發(fā)展趨勢
1.3人工神經(jīng)網(wǎng)絡與其他智能方法的融合
1.3.1神經(jīng)網(wǎng)絡與遺傳算法的融合
1.3.2神經(jīng)網(wǎng)絡與灰色系統(tǒng)的融合
1.3.3神經(jīng)網(wǎng)絡與專家系統(tǒng)的融合
1.3.4神經(jīng)網(wǎng)絡與模糊技術的融合
1.3.5神經(jīng)網(wǎng)絡與小波分析的融合
1,4本章小結(jié)
第2章前饋型神經(jīng)網(wǎng)絡
2.1BP誤差反向傳播神經(jīng)網(wǎng)絡
2.1.1BP神經(jīng)元模型
2.1.2BP學習算法
2.1.3BP算法的限制與不足
2.1.4對BP算法收斂速度的改進
2.2RBF徑向基函數(shù)神經(jīng)網(wǎng)絡
2.2.1RBF神經(jīng)網(wǎng)絡的結(jié)構(gòu)
2.2.2RBF神經(jīng)網(wǎng)絡的映射關系
2.2.3RBF網(wǎng)絡訓練的準則和常用算法
2.2.4RBF神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡的比較
2.3CMAC小腦神經(jīng)網(wǎng)絡
2.3.1CMAC概述
2.3.2網(wǎng)絡結(jié)構(gòu)
2.3.3學習算法
2.3.4工作原理
2.4RBF神經(jīng)網(wǎng)絡在乎面剛架結(jié)構(gòu)損傷辨識中的應用
2.4.1問題的描述
2.4.2確定網(wǎng)絡模型及網(wǎng)絡訓練
2.5本章小結(jié)
第3章反饋型神經(jīng)網(wǎng)絡
3.1Hopfield反饋神經(jīng)網(wǎng)絡
3.1.1離散型Hopfield神經(jīng)網(wǎng)絡模型
3.1.2基于離散型的Hopfield神經(jīng)網(wǎng)絡的聯(lián)想記憶
3.1.3連續(xù)型Hopfiel神經(jīng)網(wǎng)絡模型
3.1.4Hopfield網(wǎng)絡的特點
3.2雙向聯(lián)想記憶BAM神經(jīng)網(wǎng)絡
3.2.1BAM網(wǎng)絡的結(jié)構(gòu)和工作原理
3.2.2BAM網(wǎng)絡的穩(wěn)定性
3.2.3BAM網(wǎng)絡的學習與回憶
3.3應用實例
3.3.1用連續(xù)型Hopfield網(wǎng)絡求解TSP
3.3.2網(wǎng)絡參數(shù)討論
3.4本章小結(jié)
第4章自組織型神經(jīng)網(wǎng)絡,
4.1Kohonen自組織映射神經(jīng)網(wǎng)絡
4.1.1Kohonen自組織映射網(wǎng)絡結(jié)構(gòu)
4.1.2Kohonen自組織映射算法
4.2CPN對偶傳播神經(jīng)網(wǎng)絡
4.2.1網(wǎng)絡結(jié)構(gòu)
4.2.2運行過程
4.2.3學習過程
4.2.4CPN網(wǎng)絡的改進
4.3自適應共振理論(ART)
4.3.1ART網(wǎng)絡模型
4.3.2ART學習算法
4.3.3ART-1學習算法
4.3.4ART-2神經(jīng)網(wǎng)絡基本結(jié)構(gòu)
4.4應用實例
4.5本章小結(jié)
第5章量子神經(jīng)網(wǎng)絡
5.1量子計算基礎
5.2量子神經(jīng)元
5.2.1量子神經(jīng)元模型..
5.2.2量子神經(jīng)元的非線性映射特性
5.3幾種量子神經(jīng)網(wǎng)絡模型
5.3.1量子衍生神經(jīng)網(wǎng)絡
5.3.2量子并行自組織映射模型
5.3.3量子聯(lián)想記憶模型
5.3.4糾纏神經(jīng)網(wǎng)絡模型
5.4本章小結(jié)
第6章神經(jīng)網(wǎng)絡與遺傳算法
6.1遺傳算法基本理論
6.1.1遺傳算法的定義及發(fā)展現(xiàn)狀
6.1.2遺傳算法的基本思想
6.2基本遺傳算法
6.2.1基本遺傳算法的構(gòu)成要素
6.2.2基本遺傳算法描述
6.3壓縮映射遺傳算法
6.3.1壓縮映射原理
6.3.2壓縮映射遺傳算法及其可行性與收斂性
6.4神經(jīng)網(wǎng)絡與遺傳算法的融合
6.4.1神經(jīng)網(wǎng)絡與遺傳算法融合的基礎
6.4.2面向神經(jīng)網(wǎng)絡權(quán)值和閾值學習的壓縮映射遺傳算法
6.5遺傳神經(jīng)網(wǎng)絡建立活性石灰生產(chǎn)線質(zhì)量智能監(jiān)控模型
6.5.1建立遺傳神經(jīng)網(wǎng)絡模型
6.5.2遺傳神經(jīng)網(wǎng)絡檢測結(jié)果分析
6.6本章小結(jié)
第7章神經(jīng)網(wǎng)絡與灰色系統(tǒng)
7.1灰色系統(tǒng)基本概念
7.1.1灰色系統(tǒng)基本原理
7.1.2灰色系統(tǒng)建模理論
7.1.3神經(jīng)網(wǎng)絡與灰色系統(tǒng)結(jié)合初探
7.2灰色神經(jīng)網(wǎng)絡建模
7.2.1灰色神經(jīng)網(wǎng)絡模型基礎
7.2.2一維灰色神經(jīng)網(wǎng)絡優(yōu)化模型GNNM(1,1)
7.2.3多維灰色神經(jīng)網(wǎng)絡模型GNNM(1,N)
7.2.4動態(tài)神經(jīng)網(wǎng)絡模型DNNM(1,4)
7.3灰色RBF神經(jīng)網(wǎng)絡靜態(tài)預測模型
7.3.1灰色GM(0,N)模型分析
7.3.2GRBF預測模型及應用實例
7.4GNNM(1,N)建模方法在斜拉橋系統(tǒng)中的應用
7.4.1問題描述
7.4.2建模過程
7.5本章小結(jié)
第8章神經(jīng)網(wǎng)絡與專家系統(tǒng)
8.1專家系統(tǒng)的基本結(jié)構(gòu)
8.2專家知識的表示.獲取和推理
8.2.1知識表示
8.2.2知識獲取
8.2.3知識推理
8,3神經(jīng)網(wǎng)絡與專家系統(tǒng)的融合
8.3.1神經(jīng)網(wǎng)絡與專家系統(tǒng)的比較
8,3.2專家系統(tǒng)與神經(jīng)網(wǎng)絡的融合方式
8.4基于神經(jīng)網(wǎng)絡的專家系統(tǒng)的設計與實現(xiàn)
8.4.1基于神經(jīng)網(wǎng)絡專家系統(tǒng)的邊坡系統(tǒng)設計與實現(xiàn)
8.4.2基于神經(jīng)網(wǎng)絡的泵送混凝土專家系統(tǒng)的設計與實現(xiàn)
8.5本章小結(jié)
第9章模糊神經(jīng)網(wǎng)絡
9.1模糊理論基礎
9.1.1模糊概念與模糊集合
9.1.2模糊推理
9.2模糊神經(jīng)網(wǎng)絡基礎
9.2.1模糊神經(jīng)網(wǎng)絡理論概述
9.2.2模糊神經(jīng)元與模糊神經(jīng)網(wǎng)絡
9.2.3模糊神經(jīng)網(wǎng)絡的研究現(xiàn)狀與發(fā)展趨勢
9.3橋梁承載能力狀態(tài)評估的模糊神經(jīng)網(wǎng)絡推理方法
9.3.1模糊神經(jīng)網(wǎng)絡推理系統(tǒng)結(jié)構(gòu)
9.3.2模糊推理規(guī)則
9.3.3模糊隸屬度函數(shù)
9.3.4實例分析
9.4模糊神經(jīng)網(wǎng)絡與遺傳算法的融合
9.4.1FNN-GA基礎
9.4.2FNN-GA的染色體編碼與解碼
9.5模糊推理技術與專家系統(tǒng)的融合
9.5.1模糊專家系統(tǒng)
9.5.2模糊專家系統(tǒng)的優(yōu)缺點
9.6本章小結(jié)
參考文獻
附錄Matlab簡介...