人工神经网络理论、设计及应用 人工神经细胞、人工神经网络和人工神经系统PDF|Epub|txt|kindle电子书版本网盘下载

人工神经网络理论、设计及应用 人工神经细胞、人工神经网络和人工神经系统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

1 绪论1

1.1 人工神经网络概述1

1.1.1 人脑与计算机信息处理能力的比较1

1.1.2 人脑与计算机信息处理机制的比较3

1.1.3 什么是人工神经网络3

1.2 人工神经网络发展简史4

1.2.1 启蒙时期5

1.2.2 低潮时期6

1.2.3 复兴时期8

1.2.5 国内研究概况9

1.2.4 新时期9

1.3 人工神经网络的基本特征与功能11

1.3.1 神经网络的基本特征11

1.3.2 神经网络的基本功能11

1.4 人工神经网络的应用领域13

1.4.1 信息领域13

1.4.2 自动化领域13

1.4.3 工程领域14

1.4.4 医学领域14

1.4.5 经济领域15

1.5 本章小结15

思考与练习16

2.1 人工神经网络的生物学基础17

2.1.1 生物神经元的结构17

2 人工神经网络基础知识17

2.1.2 生物神经元的信息处理机理18

2.2 人工神经元模型20

2.2.1 神经元的建模20

2.2.2 神经元的数学模型21

2.2.3 神经元的转移函数22

2.3 人工神经网络模型23

2.3.1 网络拓扑结构类型23

2.4 人工神经网络学习25

2.3.2 网络信息流向类型25

2.4.1 Hebbian学习规则27

2.4.2 Perceptron(感知器)学习规则29

2.4.3 δ(Delta)学习规则29

2.4.4 Widrow-Hoff学习规则30

2.4.5 Correlation(相关)学习规则31

2.4.6 Winner-Take-All(胜者为王)学习规则31

2.4.7 Outstar(外星)学习规则31

2.5 本章小结32

思考与练习33

3.1.2 感知器的功能34

3.1.1 感知器模型34

3.1 单层感知器34

3 前馈神经网络34

3.1.3 感知器的局限性37

3.1.4 感知器的学习算法37

3.2 多层感知器38

3.3 自适应线性单元(ADALINE)简介40

3.3.1 ADALINE模型41

3.3.2 ADALINE学习算法41

3.3.3 ADALINE应用42

3.4.1 基于BP算法的多层前馈网络模型43

3.4 误差反传(BP)算法43

3.4.2 BP学习算法44

3.4.3 BP算法的程序实现47

3.4.4 多层前馈网络的主要能力48

3.4.5 误差曲面与BP算法的局限性48

3.5 标准BP算法的改进49

3.5.1 增加动量项50

3.5.2 自适应调节学习率50

3.5.3 引入陡度因子50

3.6 基于BP算法的多层前馈网络设计基础51

3.6.1 网络信息容量与训练样本数51

3.6.2 训练样本集的准备51

3.6.4 多层前馈网络结构设计55

3.6.3 初始权值的设计55

3.6.5 网络训练与测试56

3.7 基于BP算法的多层前馈网络应用与设计实例57

3.7.1 基于BP算法的多层前馈网络用于催化剂配方建模57

3.7.2 基于BP算法的多层前馈网络用于汽车变速器最佳挡位判定58

3.7.3 基于BP算法的多层前馈网络用于图像压缩编码58

3.7.4 基于BP算法的多层前馈网络用于水库优化调度59

3.8 本章小结60

思考与练习60

4.1 竞争学习的概念与原理63

4.1.1 基本概念63

4 自组织神经网络63

4.1.2 竞争学习原理64

4.2 自组织特征映射(SOM)神经网络67

4.2.1 SOM网络的生物学基础67

4.2.2 COM网络的拓扑结构与权值调整域67

4.2.3 COM网络的运行原理与学习算法68

4.3 自组织特征映射网络的设计与应用72

4.3.1 SOM网络的设计基础72

4.3.2 SOM网络的应用与设计实例74

4.4 对偶传播(CPN)神经网络76

4.4.1 网络结构与运行原理77

4.4.2 CPN的学习算法77

4.4.3 改进的CPN网络79

4.5 自适应共振理论(ART)80

4.4.4 CPN网络的应用80

4.5.1 ART1型网络81

4.5.2 ART2型网络87

4.6 本章小结91

思考与练习92

5 反馈神经网络94

5.1 离散型Hopfield神经网络(DHNN)94

5.1.1 网络的结构与工作方式94

5.1.2 网络的稳定性与吸引子95

5.1.3 网络的权值设计100

5.1.4 网络的信息存储容量102

5.2.1 网络的拓扑结构103

5.2 连续型Hopfield神经网络(CHNN)103

5.2.2 能量函数与稳定性分析104

5.3 Hopfield网络应用与设计实例105

5.3.1 应用DHNN网解决联想问题105

5.3.2 应用CHNN网解决优化计算问题105

5.4 双向联想记忆(BAM)神经网络108

5.4.1 BAM网络结构与原理109

5.4.2 能量函数与稳定性109

5.4.3 BAM网络的权值设计110

5.4.4 BAM网络的应用111

5.5 随机神经网络112

5.5.1 模拟退火原理113

5.5.2 Boltzmann机114

5.6 本章小结118

思考与练习118

6 局部逼近神经网络120

6.1 CMAC网络的结构120

6.2 CMAC网络的工作原理121

6.2.1 从X到M的映射121

6.2.2 从M到A的映射123

6.2.3 从A到Ap的映射124

6.2.4 从Ap到F的映射124

6.4 CMAC网络的应用125

6.3 CMAC网络的学习算法125

7 神经网络的系统设计与软件实现127

7.1 神经网络系统总体设计127

7.1.1 神经网络的适用范围127

7.1.2 神经网络的设计过程与需求分析128

7.1.3 神经网络的性能评价129

7.1.4 输入数据的预处理131

7.2 神经网络的软件实现132

7.2.1 软件运行的若干问题132

7.2.2 软件实现的若干问题133

7.3 神经网络的高级开发环境134

7.3.1 神经网络的开发环境及其特征134

7.3.2 MATLAB神经网络工具箱135

7.3.3 其他神经网络开发环境简介137

8 神经网络的硬件实现139

8.1 概述139

8.1.1 主要研究内容139

8.1.2 目前状况139

8.1.3 发展前景141

8.2 神经元器件141

8.2.1 模拟式神经元器件141

8.2.2 数字式神经元器件142

8.2.3 FPGA神经元结构143

8.3.2 Systolic系统结构144

8.3.3 树流水式系统结构144

8.3.1 总线连接系统结构144

8.3 神经网络系统结构144

8.3.4 自组织类系统结构145

8.4 神经网络的光学实现146

8.4.1 光学技术与神经网络146

8.4.2 光学逻辑器件147

8.4.3 光神经网络的研究现状148

9 人工神经系统150

9.1 人工神经系统的基本概念150

9.1.1 生物神经系统150

9.2.1 高级中枢神经系统151

9.2 人工神经系统的体系结构151

9.1.2 人工神经系统151

9.2.2 低级中枢神经系统152

9.2.3 外周神经系统153

9.3 人工神经系统的控制特性154

9.3.1 神经快速、分区控制系统154

9.3.2 体液慢速、分工控制系统154

9.3.3 人体神经控制系统155

9.4 人工神经系统的信息模式156

9.4.1 “数字-模拟”混合信息模式156

9.4.2 “串行-并行”兼容信息模式156

9.5.1 拟人智能综合自动化系统157

9.5.2 人工鱼的总体技术方案157

9.5 人工神经系统的应用示例157

9.4.3 “集中-分散”结合信息模式157

10 回顾与展望160

10.1 人工神经网络研究中的几个问题160

10.2 人工神经网络研究展望161

10.2.1 应用研究的新特点——多学科综合161

10.2.2 实现技术研究的当务之急——神经网络的硬件实现161

10.2.3 理论研究的新方向——从人工神经网络到人工神经系统162

附录1 常用神经网络源程序163

附录2 神经网络常用术语英汉对照190

参考文献192