神经网络PDF|Epub|txt|kindle电子书版本网盘下载

神经网络PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 概述1

1.2 神经网络的研究历史3

1.3 人脑的神经系统7

1.3.1 神经元7

1.3.2 突触9

1.3.3 动作电位9

1.3.4 离子通道13

1.4 神经信息处理的基本原理15

1.5 简单的神经网络模型22

1.5.1 简单线性模型22

1.5.2 线性阈值单元23

1.5.3 盒中脑状态23

1.5.4 热力学模型23

1.6 神经网络的研究内容25

1.7 神经网络的分类28

1.8 神经网络研究的发展方向28

习题29

第2章 感知器31

2.1 感知器的认知观点31

2.2 单层感知器32

2.2.1 单层感知器网络结构32

2.2.2 感知器的学习算法33

2.2.3 感知器算法的收敛性36

2.2.4 异或问题37

2.3 多层感知器38

2.4 学习算法的优化40

2.4.1 最速下降法40

2.4.2 牛顿方法41

2.4.3 高斯一牛顿方法41

2.5 最小均方（LMS）算法43

2.5.1 最小均方算法描述43

2.5.2 最小均方算法的收敛性44

2.5.3 最小均方算法的评价46

习题46

第3章 反向传播网络48

3.1 概述48

3.2 反向传播网络的结构48

3.3 反向传播算法50

3.3.1 反向传播算法的基本原理50

3.3.2 反向传播算法的问题54

3.4 反向传播算法性能分析55

3.5 反向传播算法的改进56

3.5.1 动量反向传播算法56

3.5.2 批量更新57

3.5.3 搜索然后收敛方法57

3.5.4 自适应BP算法58

3.5.5 共轭梯度法58

3.5.6 拟牛顿法60

3.5.7 Levenberg-Marquardt算法61

3.6 反向传播网络学习程序63

习题65

第4章 自组织网络67

4.1 概述67

4.2 Kohonen自组织映射69

4.2.1 自组织映射过程70

4.2.2 SOM算法73

4.2.3 特征映射74

4.2.4 拓扑排序76

4.2.5 密度匹配77

4.3 学习向量量化79

4.4 自适应共振理论神经网络84

4.4.1 ART模型的结构85

4.4.2 ART的基本工作原理87

4.4.3 ART模型的数学描述92

4.5 认知器94

4.5.1 认知器的结构94

4.5.2 新认知器98

4.6 主成分分析101

4.6.1 基本原理101

4.6.2 单个神经元的主成分102

4.6.3 单层网络主成分提取103

4.6.4 侧抑制自适应主成分提取算法105

4.7 独立成分分析106

4.7.1 基本概念107

4.7.2 独立成分分析神经网络108

4.7.3 快速固定点算法110

习题111

第5章 递归网络113

5.1 概述113

5.2 递归网络体系结构113

5.2.1 输入输出递归网络113

5.2.2 状态空间模型114

5.2.3 递归多层感知器115

5.2.4 二阶网络116

5.3 状态空间模型117

5.4 Hopfield网络118

5.4.1 离散Hopfield网络119

5.4.2 联想记忆121

5.4.3 离散Hopfield网络运行程序126

5.4.4 连续Hopfield网络130

5.5 双向联想记忆模型131

5.6 模拟退火算法133

5.7 玻尔兹曼机135

5.7.1 网络结构135

5.7.2 学习算法136

习题138

第6章 径向基函数网络140

6.1 概述140

6.2 径向基函数数学基础141

6.2.1 插值计算141

6.2.2 模式可分性142

6.2.3 正则化理论143

6.3 径向基函数网络结构147

6.3.1 RBF网络拓扑结构147

6.3.2 RBF网络元素148

6.4 RBF网络算法分析150

6.4.1 RBF中心向量确定151

6.4.2 RBF算法151

6.4.3 RBF网络性能分析155

6.5 RBF网络算法优化156

6.5.1 基于免疫算法的RBF网络优化157

6.5.2 基于遗传算法的RBF网络优化158

6.6 CMAC网络159

6.7 泛函数连接网络161

6.8 小波神经网络162

6.9 过程神经网络162

6.9.1 过程神经网络模型163

6.9.2 学习算法164

习题164

第7章 核函数方法166

7.1 概述166

7.2 统计学习问题167

7.2.1 经验风险167

7.2.2 VC维168

7.3 学习过程的一致性168

7.3.1 学习一致性的经典定义168

7.3.2 学习理论的重要定理169

7.3.3 VC熵169

7.4 结构风险最小归纳原理170

7.5 支持向量机172

7.5.1 线性可分173

7.5.2 线性不可分174

7.6 核函数176

7.6.1 多项式核函数176

7.6.2 径向基函数176

7.6.3 多层感知器176

7.6.4 动态核函数176

7.7 核主成分分析178

习题179

第8章 神经网络集成180

8.1 概述180

8.2 神经网络集成的基本原理181

8.3 神经网络集成的方法181

8.4 结论生成方法182

8.5 个体生成方法183

8.5.1 Boosting算法184

8.5.2 Bagging算法185

8.6 基于Bagging的聚类186

8.7 神经网络集成系统的规则获取187

8.8 神经专家系统189

8.8.1 知识表示的神经网络方法189

8.8.2 推理机制190

习题192

第9章 模糊神经网络193

9.1 概述193

9.2 算术模糊神经网络194

9.3 模糊逻辑195

9.4 模糊联想记忆196

9.5 神经模糊推理系统198

9.6 神经网络近似逻辑201

习题202

第10章 概率神经网络203

10.1 概述203

10.2 贝叶斯定理203

10.3 概率密度函数204

10.4 模式分类的贝叶斯判定策略205

10.5 密度估计的一致性205

10.6 概率神经网络206

10.7 激活函数208

10.8 贝叶斯阴阳系统理论209

习题211

第11章 脉冲耦合神经网络212

11.1 概述212

11.2 视觉皮层理论212

11.2.1 Hodgkin-Huxley模型213

11.2.2 FitzHugh-Nagumo模型214

11.2.3 Eckhorn模型214

11.3 脉冲耦合神经网络模型215

11.4 交叉皮层模型217

11.5 贝叶斯连接域神经网络模型217

11.5.1 带噪声的神经元发放方式217

11.5.2 神经元输入的贝叶斯耦合方式218

11.5.3 神经元之间的竞争关系219

11.6 贝叶斯连接域神经网络模型在特征捆绑中的应用220

习题224

第12章 神经场理论225

12.1 概述225

12.2 信息几何226

12.2.1 微分流形226

12.2.2 切向量和切向量空间228

12.2.3 Riemanniann流形229

12.2.4 仿射联络229

12.2.5 测地线230

12.2.6 Levi-Civita曲率231

12.2.7 流形上向量的平移变换与平坦流形231

12.3 统计流形上的Riemann度量232

12.3.1 参数分布族的几何232

12.3.2 切空间及其统计表示233

12.3.3 Riemann度量和Fisher信息233

12.4 神经场理论模型234

12.4.1 神经场表示234

12.4.2 神经场学习理论236

12.5 基于Fisher分的朴素贝叶斯分类器241

12.5.1 Fisher分241

12.5.2 基于Fisher分的朴素贝叶斯分类器构建算法242

12.6 动态神经场模型243

12.6.1 数学框架243

12.6.2 动态行为244

12.6.3 图案形成244

12.6.4 行波245

习题246

第13章 神经元集群247

13.1 概述247

13.2 大脑皮层248

13.3 嗅觉神经系统的K系列模型251

13.3.1 KO模型252

13.3.2 KⅠ模型252

13.3.3 KⅠ模型253

13.3.4 KⅢ模型253

13.4 皮层功能柱的细胞结构255

13.5 皮层功能柱理论模型257

13.5.1 神经元模型258

13.5.2 突触模型260

13.5.3 网络结构260

13.5.4 网络的输入260

13.5.5 度量指标和计算方法261

13.5.6 模拟结果261

13.6 集群编码264

13.6.1 运动方向的神经元集群编码265

13.6.2 神经编码的精确性265

13.6.3 Bayesian方法的最佳译码266

13.7 神经元集群时空编码267

习题268

第14章 神经计算机269

14.1 神经计算机的体系结构269

14.1.1 全硬件实现269

14.1.2 虚拟实现271

14.2 电子神经器件272

14.2.1 数字神经芯片273

14.2.2 电压模式神经器件275

14.2.3 开关电容神经网络276

14.2.4 电流模式神经器件276

14.3 电子神经计算机277

14.3.1 神经网络协处理器278

14.3.2 并行处理机阵列282

14.3.3 脉动神经计算机283

14.4 基于细胞自动机的人工脑284

14.5 光神经计算机287

14.5.1 矩阵处理器287

14.5.2 空间光调制器289

14.5.3 光互连290

14.5.4 光全息存储器290

14.5.5 全光神经计算机290

14.6 光电神经计算机291

14.7 分子神经计算机293

14.7.1 分子计算的宏-微模式293

14.7.2 生物芯片294

14.7.3 分子神经计算机的体系结构294

习题297

参考文献298