第1章 绪论
1.1 概述
1.2 神经网络的研究历史
1.3 人脑的神经系统
1.3.1 神经元
1.3.2 突触
1.3.3 动作电位
1.3.4 离子通道
1.4 神经信息处理的基本原理
1.5 简单的神经网络模型
1.5.1 简单线性模型
1.5.2 线性阈值单元
1.5.3 盒中脑状态
1.5.4 热力学模型
1.6 神经网络的研究内容
1.7 神经网络的分类
1.8 神经网络研究的发展方向
习题
第2章 感知器
2.1 感知器的认知观点
2.2 单层感知器
2.2.1 单层感知器网络结构
2.2.2 感知器的学习算法
2.2.3 感知器算法的收敛性
2.2.4 异或问题
2.3 多层感知器
2.4 学习算法的优化
2.4.1 最速下降法
2.4.2 牛顿方法
2.4.3 高斯一牛顿方法
2.5 最小均方(LMS)算法
2.5.1 最小均方算法描述
2.5.2 最小均方算法的收敛性
2.5.3 最小均方算法的评价
习题
第3章 反向传播网络
3.1 概述
3.2 反向传播网络的结构
3.3 反向传播算法
3.3.1 反向传播算法的基本原理
3.3.2 反向传播算法的问题
3.4 反向传播算法性能分析
3.5 反向传播算法的改进
3.5.1 动量反向传播算法
3.5.2 批量更新
3.5.3 搜索然后收敛方法
3.5.4 自适应BP算法
3.5.5 共轭梯度法
3.5.6 拟牛顿法
3.5.7 Levenberg-Marquardt算法
3.6 反向传播网络学习程序
习题
第4章 自组织网络
4.1 概述
4.2 Kohonen自组织映射
4.2.1 自组织映射过程
4.2.2 SOM算法
4.2.3 特征映射
4.2.4 拓扑排序
4.2.5 密度匹配
4.3 学习向量量化
4.4 自适应共振理论神经网络
4.4.1 ART模型的结构
4.4.2 ART的基本工作原理
4.4.3 ART模型的数学描述
4.5 认知器
4.5.1 认知器的结构
4.5.2 新认知器
4.6 主成分分析
4.6.1 基本原理
4.6.2 单个神经元的主成分
4.6.3 单层网络主成分提取
4.6.4 侧抑制自适应主成分提取算法
4.7 独立成分分析
4.7.1 基本概念
4.7.2 独立成分分析神经网络
4.7.3 快速固定点算法
习题
第5章 递归网络
5.1 概述
5.2 递归网络体系结构
5.2.1 输入输出递归网络
5.2.2 状态空间模型
5.2.3 递归多层感知器
5.2.4 二阶网络
5.3 状态空间模型
5.4 Hopfield网络
5.4.1 离散Hopfield网络
5.4.2 联想记忆
5.4.3 离散H0pfield网络运行程序
5.4.4 连续H0p6eld网络
5.5 双向联想记忆模型
5.6 模拟退火算法
5.7 玻尔兹曼机
5.7.1 网络结构
5.7.2 学习算法
习题
第6章 径向基函数网络
6.1 概述
6.2 径向基函数数学基础
6.2.1 插值计算
6.2.2 模式可分性
6.2.3 正则化理论
6.3 径向基函数网络结构
6.3.1 RBF网络拓扑结构
6.3.2 RBF网络元素
6.4 RBF网络算法分析
6.4.1 RBF中心向量确定
6.4.2 RBF算法
6.4.3 RBF网络性能分析
6.5 RBF网络算法优化
6.5.1 基于免疫算法的RBF网络优化
6.5.2 基于遗传算法的RBF网络优化
6.6 CMAC网络
6.7 泛函数连接网络
6.8 小波神经网络
6.9 过程神经网络
6.9.1 过程神经网络模型
6.9.2 学习算法
习题
第7章 核函数方法
7.1 概述
7.2 统计学习问题
7.2.1 经验风险
7.2.2 VC维
7.3 学习过程的一致性
7.3.1 学习一致性的经典定义
7.3.2 学习理论的重要定理
7.3.3 VC熵
7.4 结构风险最小归纳原理
7.5 支持向量机
7.5.1 线性可分
……
第8章 神经网络集成
第9章 模糊神经网络
第10章 概率神经网络
第11章 脉冲耦合神经网络
第12章 神经场理论
第13章 神经元集群
第14章 神经计算机
缺书网
扫码进群