神經(jīng)網(wǎng)絡(luò)

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 簡單的神經(jīng)網(wǎng)絡(luò)模型
1.5.1 簡單線性模型
1.5.2 線性閾值單元
1.5.3 盒中腦狀態(tài)
1.5.4 熱力學模型
1.6 神經(jīng)網(wǎng)絡(luò)的研究內(nèi)容
1.7 神經(jīng)網(wǎng)絡(luò)的分類
1.8 神經(jīng)網(wǎng)絡(luò)研究的發(fā)展方向
習題
第2章 感知器
2.1 感知器的認知觀點
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 感知器的學習算法
2.2.3 感知器算法的收斂性
2.2.4 異或問題
2.3 多層感知器
2.4 學習算法的優(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 最小均方算法的評價
習題
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 反向傳播算法的問題
3.4 反向傳播算法性能分析
3.5 反向傳播算法的改進
3.5.1 動量反向傳播算法
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)學習程序
習題
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 自組織映射過程
4.2.2 SOM算法
4.2.3 特征映射
4.2.4 拓撲排序
4.2.5 密度匹配
4.3 學習向量量化
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)學描述
4.5 認知器
4.5.1 認知器的結(jié)構(gòu)
4.5.2 新認知器
4.6 主成分分析
4.6.1 基本原理
4.6.2 單個神經(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 獨立成分分析
4.7.1 基本概念
4.7.2 獨立成分分析神經(jīng)網(wǎng)絡(luò)
4.7.3 快速固定點算法
習題
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
5.7.1 網(wǎng)絡(luò)結(jié)構(gòu)
5.7.2 學習算法
習題
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)學基礎(chǔ)
6.2.1 插值計算
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)拓撲結(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 過程神經(jīng)網(wǎng)絡(luò)
6.9.1 過程神經(jīng)網(wǎng)絡(luò)模型
6.9.2 學習算法
習題
第7章 核函數(shù)方法
7.1 概述
7.2 統(tǒng)計學習問題
7.2.1 經(jīng)驗風險
7.2.2 VC維
7.3 學習過程的一致性
7.3.1 學習一致性的經(jīng)典定義
7.3.2 學習理論的重要定理
7.3.3 VC熵
7.4 結(jié)構(gòu)風險最小歸納原理
7.5 支持向量機
7.5.1 線性可分
……
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)場理論
第13章 神經(jīng)元集群
第14章 神經(jīng)計算機