神經(jīng)計算與生長自組織網(wǎng)絡(luò)

第1章 神經(jīng)計算概述
1.1 神經(jīng)計算的基本原理與發(fā)展簡史
1.2 神經(jīng)計算的生物學機理
1.2.1 生物神經(jīng)元及其結(jié)構(gòu)
1.2.2 人工神經(jīng)網(wǎng)絡(luò)的定義
1.2.3 人工神經(jīng)網(wǎng)絡(luò)究竟可以做什么
1.3 人工神經(jīng)網(wǎng)絡(luò)的典型特征
1.4 人工神經(jīng)網(wǎng)絡(luò)模型
1.5 人工神經(jīng)網(wǎng)絡(luò)的學習規(guī)則
第2章 人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及其特性
2.1 生物神經(jīng)元的抽象模型
2.2 人工神經(jīng)元模型
2.3 激勵函數(shù)類型
2.4 神經(jīng)元的層次排列
2.5 多層前向神經(jīng)網(wǎng)絡(luò)
2.6 神經(jīng)網(wǎng)絡(luò)的靜態(tài)系統(tǒng)與動態(tài)系統(tǒng)
2.6.1 連續(xù)時間動態(tài)系統(tǒng)
2.6.2 離散時間動態(tài)系統(tǒng)
2.6.3 一個連續(xù)時間正弦信號發(fā)生器
2.6.4 一個離散時間正弦信號發(fā)生器
2.7 神經(jīng)網(wǎng)絡(luò)的學習過程
第3章 神經(jīng)感知器
3.1 感知器的數(shù)學模型
3.2 感知器作為模式分類器
3.3 具有三個突觸的感知器實例
3.4 感知器的權(quán)值選擇
3.5 感知器學習規(guī)則
3.6 一個修正的感知器學習規(guī)則
3.7 平面與立方體相交的一個二維實例
第4章 自適應線性元件
4.1 自適應線性元件概述
4.2 對一個戶變量函數(shù)的線性逼近
4.3 最陡梯度下降法
4.4 LMS學習規(guī)則
4.5 序貫遞歸算法
第5章 多層前饋神經(jīng)網(wǎng)絡(luò)
5.1 多層前饋神經(jīng)網(wǎng)絡(luò)概述
5.2 多層感知器
5.3 誤差的反向傳播
5.4 單隱層感知器的BP算法
5.4.1 輸出層計算
5.4.2 隱層計算
5.5 MLP的一個圖像編碼應用實例
第6章 徑向基函數(shù)網(wǎng)絡(luò)
6.1 徑向基函數(shù)網(wǎng)絡(luò)概述
6.2 RBF網(wǎng)絡(luò)的基本理論
6.3 RBF網(wǎng)絡(luò)結(jié)構(gòu)
6.4 RBF網(wǎng)絡(luò)的學習算法
6.5 RBF神經(jīng)網(wǎng)絡(luò)小結(jié)
第7章 古典生長型神經(jīng)網(wǎng)絡(luò)
7.1 引言
7.2 離散型生長神經(jīng)網(wǎng)絡(luò)
7.2.1 堆砌式網(wǎng)絡(luò)
7.2.2 寶塔式網(wǎng)絡(luò)
7.2.3 爆發(fā)式網(wǎng)絡(luò)
7.3 連續(xù)型生長神經(jīng)網(wǎng)絡(luò)
7.3.1 約束庫倫能量網(wǎng)絡(luò)
7.3.2 級聯(lián)神經(jīng)網(wǎng)絡(luò)
7.3.3 資源配置網(wǎng)絡(luò)
7.4 小結(jié)
7.5 附注--Pocket算法
第8章 生長型自組織神經(jīng)網(wǎng)絡(luò)
8.1 競爭學習律
8.2 自組織映射網(wǎng)絡(luò)
8.2.1 自組織映射網(wǎng)絡(luò)之拓撲
8.2.2 自組織映射網(wǎng)絡(luò)學習算法
8.3 其他自組織映射模型
8.3.1 學習矢量量化
8.3.2 動態(tài)學習矢量量化
8.3.3 內(nèi)插型自組織映射
8.4 生長自組織映射網(wǎng)絡(luò)
8.4.1 自組織表面
8.4.2 演化自組織映射
8.4.3 增量式網(wǎng)格生長
8.4.4 生長層次自組織映射
第9章 生長神經(jīng)元結(jié)構(gòu)及其變種
9.1 引言
9.2 生長神經(jīng)元模型
9.2.1 GCS網(wǎng)絡(luò)拓撲
9.2.2 GCS學習算法
9.2.3 監(jiān)督學習生長神經(jīng)元結(jié)構(gòu)
9.3 動態(tài)神經(jīng)元結(jié)構(gòu)
9.3.1 動態(tài)神經(jīng)元結(jié)構(gòu)機理
9.3.2 動態(tài)神經(jīng)元結(jié)構(gòu)算法描述
9.3.3 討論
9.4 樹型生長神經(jīng)元結(jié)構(gòu)
9.4.1 TreeGCS網(wǎng)絡(luò)拓撲
9.4.2 TreeGCS算法描述
9.4.3 討論
9.5 概率生長神經(jīng)元結(jié)構(gòu)
9.5.1 數(shù)學背景
9.5.2 PGCS算法描述
9.5.3 討論
9.6 附注--Voronoi棋盤及Delaunay三角形剖分
第10章 外生長型神經(jīng)元結(jié)構(gòu)
10.1 引言
10.2 外生長神經(jīng)元結(jié)構(gòu)機理
10.2.1 EGCS的凸權(quán)外長
10.2.2 EGCS的凹權(quán)外長
10.2.3 外生長神經(jīng)元結(jié)構(gòu)的兩個變種
10.3 外生長神經(jīng)元結(jié)構(gòu)的監(jiān)督學習
10.4 二維外生長神經(jīng)元結(jié)構(gòu)監(jiān)督學習算法描述
10.5 對EGCS的測試
10.5.1 測試1--雙螺旋問題
10.5.2 測試2--基于聲納的巖石分類
10.6 對化學氣體傳感器的數(shù)據(jù)評價
10.6.1 咖啡品牌識別
10.6.2 甲苯、辛烷、丙醇及其混合物濃度預測
10.7 小結(jié)
第11章 多生長神經(jīng)元結(jié)構(gòu)
11.1 引言
11.2 多生長神經(jīng)元結(jié)構(gòu)機理
11.2.1 多生長神經(jīng)元結(jié)構(gòu)的監(jiān)督學習
11.2.2 Voronoi域的計算
11.3 二維監(jiān)督型多生長神經(jīng)元結(jié)構(gòu)算法描述
11.4 對多生長神經(jīng)元結(jié)構(gòu)的測試
11.4.1 測試1--雙螺旋問題
11.4.2 測試2--基于聲納的巖石分類
11.5 用多生長神經(jīng)元結(jié)構(gòu)求解模式識別問題
11.5.1 玻璃鑒別問題
11.5.2 馬病診斷問題
11.5.3 大豆病蟲害識別
11.5.4 信用卡認定預測
第12章　 雙生長神經(jīng)氣網(wǎng)絡(luò)
12.1 神經(jīng)氣網(wǎng)絡(luò)
12.2 生長神經(jīng)氣算法
12.2.1 生長神經(jīng)氣網(wǎng)絡(luò)拓撲
12.2.2 生長神經(jīng)氣學習算法
12.2.3 生長神經(jīng)氣網(wǎng)絡(luò)主要特征
12.3 雙生長神經(jīng)氣網(wǎng)絡(luò)
12.3.1 雙生長神經(jīng)氣機理
12.3.2 雙生長神經(jīng)氣的監(jiān)督學習
12.4 二維監(jiān)督生長神經(jīng)氣算法描述
12.5 雙生長神經(jīng)氣網(wǎng)絡(luò)測試
12.6 雙生長神經(jīng)氣用于疾病診斷
12.6.1 Wisconsin乳腺癌診斷
12.6.2 大豆病蟲害鑒別問題
12.7 附注--競爭Hebb學習
參考文獻