神经计算与生长自组织网络

　　第1章 神经计算概述
　　1.1 神经计算的基本原理与发展简史
　　1.2 神经计算的生物学机理
　　1.2.1 生物神经元及其结构
　　1.2.2 人工神经网络的定义
　　1.2.3 人工神经网络究竟可以做什么
　　1.3 人工神经网络的典型特征
　　1.4 人工神经网络模型
　　1.5 人工神经网络的学习规则
　　第2章 人工神经网络的基本结构及其特性
　　2.1 生物神经元的抽象模型
　　2.2 人工神经元模型
　　2.3 激励函数类型
　　2.4 神经元的层次排列
　　2.5 多层前向神经网络
　　2.6 神经网络的静态系统与动态系统
　　2.6.1 连续时间动态系统
　　2.6.2 离散时间动态系统
　　2.6.3 一个连续时间正弦信号发生器
　　2.6.4 一个离散时间正弦信号发生器
　　2.7 神经网络的学习过程
　　第3章 神经感知器
　　3.1 感知器的数学模型
　　3.2 感知器作为模式分类器
　　3.3 具有三个突触的感知器实例
　　3.4 感知器的权值选择
　　3.5 感知器学习规则
　　3.6 一个修正的感知器学习规则
　　3.7 平面与立方体相交的一个二维实例
　　第4章 自适应线性元件
　　4.1 自适应线性元件概述
　　4.2 对一个户变量函数的线性逼近
　　4.3 最陡梯度下降法
　　4.4 LMS学习规则
　　4.5 序贯递归算法
　　第5章 多层前馈神经网络
　　5.1 多层前馈神经网络概述
　　5.2 多层感知器
　　5.3 误差的反向传播
　　5.4 单隐层感知器的BP算法
　　5.4.1 输出层计算
　　5.4.2 隐层计算
　　5.5 MLP的一个图像编码应用实例
　　第6章 径向基函数网络
　　6.1 径向基函数网络概述
　　6.2 RBF网络的基本理论
　　6.3 RBF网络结构
　　6.4 RBF网络的学习算法
　　6.5 RBF神经网络小结
　　第7章 古典生长型神经网络
　　7.1 引言
　　7.2 离散型生长神经网络
　　7.2.1 堆砌式网络
　　7.2.2 宝塔式网络
　　7.2.3 爆发式网络
　　7.3 连续型生长神经网络
　　7.3.1 约束库伦能量网络
　　7.3.2 级联神经网络
　　7.3.3 资源配置网络
　　7.4 小结
　　7.5 附注--Pocket算法
　　第8章 生长型自组织神经网络
　　8.1 竞争学习律
　　8.2 自组织映射网络
　　8.2.1 自组织映射网络之拓扑
　　8.2.2 自组织映射网络学习算法
　　8.3 其他自组织映射模型
　　8.3.1 学习矢量量化
　　8.3.2 动态学习矢量量化
　　8.3.3 内插型自组织映射
　　8.4 生长自组织映射网络
　　8.4.1 自组织表面
　　8.4.2 演化自组织映射
　　8.4.3 增量式网格生长
　　8.4.4 生长层次自组织映射
　　第9章 生长神经元结构及其变种
　　9.1 引言
　　9.2 生长神经元模型
　　9.2.1 GCS网络拓扑
　　9.2.2 GCS学习算法
　　9.2.3 监督学习生长神经元结构
　　9.3 动态神经元结构
　　9.3.1 动态神经元结构机理
　　9.3.2 动态神经元结构算法描述
　　9.3.3 讨论
　　9.4 树型生长神经元结构
　　9.4.1 TreeGCS网络拓扑
　　9.4.2 TreeGCS算法描述
　　9.4.3 讨论
　　9.5 概率生长神经元结构
　　9.5.1 数学背景
　　9.5.2 PGCS算法描述
　　9.5.3 讨论
　　9.6 附注--Voronoi棋盘及Delaunay三角形剖分
　　第10章 外生长型神经元结构
　　10.1 引言
　　10.2 外生长神经元结构机理
　　10.2.1 EGCS的凸权外长
　　10.2.2 EGCS的凹权外长
　　10.2.3 外生长神经元结构的两个变种
　　10.3 外生长神经元结构的监督学习
　　10.4 二维外生长神经元结构监督学习算法描述
　　10.5 对EGCS的测试
　　10.5.1 测试1--双螺旋问题
　　10.5.2 测试2--基于声纳的岩石分类
　　10.6 对化学气体传感器的数据评价
　　10.6.1 咖啡品牌识别
　　10.6.2 甲苯、辛烷、丙醇及其混合物浓度预测
　　10.7 小结
　　第11章 多生长神经元结构
　　11.1 引言
　　11.2 多生长神经元结构机理
　　11.2.1 多生长神经元结构的监督学习
　　11.2.2 Voronoi域的计算
　　11.3 二维监督型多生长神经元结构算法描述
　　11.4 对多生长神经元结构的测试
　　11.4.1 测试1--双螺旋问题
　　11.4.2 测试2--基于声纳的岩石分类
　　11.5 用多生长神经元结构求解模式识别问题
　　11.5.1 玻璃鉴别问题
　　11.5.2 马病诊断问题
　　11.5.3 大豆病虫害识别
　　11.5.4 信用卡认定预测
　　第12章   双生长神经气网络
　　12.1 神经气网络
　　12.2 生长神经气算法
　　12.2.1 生长神经气网络拓扑
　　12.2.2 生长神经气学习算法
　　12.2.3 生长神经气网络主要特征
　　12.3 双生长神经气网络
　　12.3.1 双生长神经气机理
　　12.3.2 双生长神经气的监督学习
　　12.4 二维监督生长神经气算法描述
　　12.5 双生长神经气网络测试
　　12.6 双生长神经气用于疾病诊断
　　12.6.1 Wisconsin乳腺癌诊断
　　12.6.2 大豆病虫害鉴别问题
　　12.7 附注--竞争Hebb学习
　　参考文献

　　    程国建，男，副教授，硕士生导师，1964年出生，籍贯陕西，德国图宾根大学（Tubingen Universitat）理学博士（Dr.rer.nat.）。于1997年3月至2002年2月留学德国图宾根大学，师从国际知名的人工神经网络专家Andreas Zell教授。2001年11月份通过博士论文答辩及毕业考试，获理学博士学位。留学期间在重要学术期刊（如《神经计算及应用》）及国际学术会议上发表多篇学术研究论文，主要学术贡献是提出了多神经元细胞生长、外细胞生长、双神经气生长等自组织神经网络结构模型，改善了自组织学习的精度及收敛速度。撰写的英文版博士论文《自组织变拓扑神经网络之生长型学习》也于2002年由德国Shaker出版社出版。

　　    《神经计算与生长自组织网络》分前后两个部分。前一部分主要讨论神经计算的基本概念原理及几个主要的神经网络模型。包括神经计算概述、人工神经网络的基本结构及其特性、神经感知器、自适应线性元件、多层前馈神经网络、径向基函数网络等。后一部分是作者在德国图宾根大学攻读博士学位期间及近来的一些研究成果。具体内容包括古典变拓扑神经网络、自组织变拓扑神经网络、生长神经元结构及其变种、外生长型神经元结构、多生长神经元结构、双生长神经气网络等。全书内容取材新颖，主题专一，深入浅出，注重算法的理论依据、应用思路及应用效果，体现了国内外在该领域的最新研究成果。《神经计算与生长自组织网络》可作为从事计算智能、机器学习、模式识别、数据挖掘、信息可视化等研究的科研人员的参考资料，也可作为高等院校相关专业的教师、硕士研究生及博士研究生的专业参考书。