人工神经网络理论·模型·算法与应用PDF|Epub|txt|kindle电子书版本网盘下载

人工神经网络理论·模型·算法与应用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

第一章　神经网络基础概论1

§1.1　神经网络理论形成的科学背景1

§1.2　神经网络理论的发展历史与趋势2

1.2.1　早期阶段2

1.2.2　20世纪70年代的过渡期3

1.2.3　20世纪80年代的高潮期3

1.2.4 目前的研究状况和方向4

1.3.1　神经网络的生物学基础5

§1.3　人工神经网络的生物学基础和人工神经元模型5

1.3.2　人工神经元模型6

§1.4　神经网络模型的定义和结构7

1.4.1　神经网络模型的定义7

1.4.2　神经网络模型的结构8

§1.5　人工神经网络计算和传统计算的特点比较9

§1.6　神经网络的学习规则与实现9

1.6.1　神经网络的学习规则9

1.6.2　神经网络的实现11

§1.7　神经网络的应用领域12

§2.1　感知器14

2.1.1　单层感知器的网络结构14

第二章　前馈神经网络14

2.1.2　单层感知器的表征能力与线性可分性15

2.1.3　感知器的学习算法17

§2.2　前馈型BP神经网络18

2.2.1　BP网络的结构18

2.2.2 BP网络的分类能力19

2.3.1 误差反向传播学习算法（EBP）21

§2.3　BP网络的学习算法21

2.3.2 EBP算法的缺点与改进24

2.3.3　模拟退火算法25

2.3.4　遗传算法26

§2.4　前馈型多层网络的映射能力与逼近能力28

2.4.1　前馈网络的映射能力28

2.4.2　前馈网络的逼近能力30

§2.5　BP网络的设计讨论30

2.6.1 EBP学习算法实现异或分类的C＋＋语言程序32

§2.6　BP学习算法的VC＋＋语言编程及有关结果32

2.6.2　运行结果39

§2.7　BP神经网络小结40

§2.8　径向基函数（RBF）神经网络41

2.8.1 RBF神经网络的生物学背景与结构41

2.8.2 RBF网络的学习算法43

§2.9　小波神经网络45

2.9.2　小波神经网络的结构46

2.9.1　小波函数的定义46

2.9.3　小波神经网络的优点和学习算法47

§2.10　小脑模型神经网络48

2.10.1 CMAC网络的结构48

2.10.2 CMAC网络的学习算法50

§2.11 FLAT神经网络50

2.11.1 FLAT神经网络的结构50

2.11.2 FLAT神经网络的学习算法51

§2.12　用径向基函数神经网络实现EEG信号的预测52

2.12.1　预测原理及其模型52

2.12.2 RBF网络径向基函数的改进53

2.12.3　数据处理结果及讨论54

第三章　反馈神经网络57

§3.1　概述57

§3.2　离散Hopfield神经网络58

3.2.1 网络的结构及工作方式58

3.2.2 网络的能量函数与稳定性分析59

3.2.3 网络的联想记忆和记忆容量61

§3.3　连续Hopfield神经网络63

3.3.1 网络的拓扑结构64

3.3.2 CHNN的能量函数与稳定性分析65

§3.4　连续Hopfield网络用于组合优化问题的求解66

3.4.1 基于连续Hopfield网络求解TSP问题66

3.4.2　算法的具体实现及计算结果70

3.4.3 基于Hopfield网络的A/D转换器72

§3.5　Hopfield神经网络运行的C语言程序73

§3.6　随机神经网络81

3.6.1　Boltzman机81

§3.7　递归神经网络84

§4.1　概述86

第四章 自组织神经网络86

§4.2 自组织竞争型神经网络87

4.2.1　基本竞争型神经网络及其学习规则88

4.2.2　抑制竞争型神经网络及其学习规则89

§4.3　自适应共振理论神经网络91

4.3.1 ART神经网络的主要优点91

4.3.2 ART-1的基本原理92

4.3.3 ART-1神经网络的学习算法95

4.3.4 ART-2神经网络99

4.3.5 ART-2神经网络小结103

§4.4　Kohonen自组织特征映射网络及其学习算法104

4.4.1 SOFM网络结构105

4.4.2　Kohonen自组织映射算法106

4.4.3　学习速率函数和连接权初值确定问题的讨论106

4.4.4 实例108

§4.5　SOMF神经网络模拟概率分布的C＋＋语言程序111

第五章　混沌神经网络及其混沌控制117

§5.1　混沌神经网络研究的历史与现状117

5.2.1　互联混沌神经网络118

§5.2　混沌神经网络模型及其动力学特征118

5.2.2 自组织映射混沌神经网络119

5.2.3　离散混沌神经网络模型121

§5.3　混沌神经网络中的混沌行为控制125

§5.4　混沌神经网络在优化计算中的应用126

§5.5　混沌神经网络在动态关联存储方面的应用128

§5.6　前馈型神经网络用于混沌控制129

5.6.1　控制方法129

5.6.2　数值模拟130

5.6.3　控制机理的进一步讨论133

§5.7　神经网络特征的归纳和总结134

第六章　基于神经网络的系统辨识135

§6.1　系统辨识的基本概念和内容135

6.1.1 系统辨识的定义135

6.1.2　线性系统的辨识方法136

6.1.3　系统辨识的内容136

6.1.4　实际辨识中要考虑的几个关键问题137

6.1.5　非线性系统的特点及其辨识方法137

§6.2　基于神经网络的系统辨识138

6.2.1　基于神经网络辨识的特点139

6.2.2　几种典型的非线性模型与结构140

6.2.3　基于神经网络辨识的条件和结构141

6.2.4　基于神经网络的两种主要模型的辨识结构142

§6.3　基于神经网络的逆动力学系统的辨识143

6.3.1　非线性系统的可逆性143

6.3.2　逆系统建模方法144

§6.4　基于BP网络的系统辨识与实例145

6.4.1 基于BP网络的系统辨识算法145

6.4.2　基于BP网络系统辨识的实例146

第七章　神经网络与自动控制149

§7.1　概述149

§7.2　神经网络控制的发展及其用于控制的优越性149

7.2.1　神经网络控制的发展149

7.2.2　神经网络用于控制的优越性150

§7.3　线性系统的神经网络控制150

7.3.1　反馈的两种基本形式150

7.3.2　神经网络观测器的实现方法154

7.4.1 概述155

§7.4　神经网络自适应控制155

7.4.2 自适应控制的基本概念与结构156

7.4.3　神经网络直接自适应控制157

7.4.4　神经网络模型参考自适应控制158

7.4.5　神经网络自校正控制161

§7.5　神经网络非线性预测控制163

7.5.1 神经网络预测控制的一般结构与算法163

7.5.2　神经网络预测器的几种方案165

7.6.2　模糊控制的特点与组成166

7.6.1　模糊控制的基本思想166

§7.6　神经网络模糊控制166

7.6.3　反模糊化168

7.6.4　模糊控制的优点和需要解决的问题169

7.6.5　神经网络与模糊控制系统169

7.6.6　神经网络在模糊控制中的应用170

参考文献173

附录1 用四阶龙格—库塔算法求解Lorenz系统的C语言程序175

附录2 时间序列快速傅立叶变换（FFT）的C语言程序177