过程神经元网络

　　第1章  绪论
　　1.1  人工智能的发展
　　1.2  人工智能系统的特征
　　1.3  计算智能
　　1.3.1  模糊计算
　　1.3.2  神经计算
　　1.3.3  进化计算
　　1.3.4  三个“分支”的结合
　　1.4  过程神经元网络
　　第2章  人工神经元网络
　　2.1  生物神经元
　　2.2  神经元的数学模型
　　2.3  前馈/反馈神经元网络
　　2.3.1  前馈/反馈神经元网络模型
　　2.3.2  前馈神经元网络的函数逼近能力
　　2.3.3  前馈神经元网络的计算能力
　　2.3.4  前馈神经元网络的学习算法
　　2.3.5  前馈神经元网络的泛化问题
　　2.3.6  前馈神经元网络的应用’
　　2.4  模糊神经元网络
　　2.4.1  模糊神经元
　　2.4.2  模糊神经元网络
　　2.5  非线性聚合人工神经元网络
　　2.5.1  分式聚合人工神经元网络
　　2.5.2  极大（或极小）聚合人工神经元网络
　　2.5.3  其他非线性聚合人工神经元网络
　　2.6  时空聚合与过程神经元网络
　　2.7  人工神经元网络的归类
　　第3章  过程神经元
　　3.1  生物神经元的启示
　　3.2  过程神经元的定义
　　3.3  过程神经元与泛函
　　3.4  模糊过程神经元
　　3.4.1  过程神经元的模糊化
　　3.4.2 由模糊加权推理规则构造的模糊过程神经元
　　3.5  过程神经元与复合函数
　　第4章  前馈过程神经元网络
　　4.1  前馈过程神经元网络的一种简单模型
　　4.2  前馈过程神经元网络的一般模型
　　4.3  基于权函数基展开的过程神经元网络模型
　　4.4  前馈过程神经元网络的基本定理
　　4.4.1  解的存在性
　　4.4.2  连续性
　　4.4.3  泛函逼近性质
　　4.4.4  计算能力
　　4.5  分式前馈过程神经元网络
　　4.5.1  分式过程神经元
　　4.5.2  分式过程神经元网络模型
　　4.6  输入与输出均为时变函数的过程神经元网络
　　4.6.1 网络结构
　　4.6.2  模型的连续性与逼近能力
　　4.7  连续过程神经元网络
　　4.7.1  连续过程神经元
　　4.7.2  连续过程神经元网络模型
　　4.7.3  模型的连续性、逼近能力和计算能力
　　4.8  泛函神经元网络
　　4.8.1  泛函神经元
　　4.8.2  前馈泛函神经元网络模型
　　4.9  结束语
　　第5章  过程神经元网络的学习算法
　　5.1 基于梯度下降和牛顿法下降的学习算法
　　5.1.1  基于梯度下降的一般学习算法
　　5.1.2  基于梯度一牛顿法结合的学习算法
　　5.1.3  基于牛顿下山法的学习算法
　　5.2 基于正交基展开的学习算法
　　5.2.1 输入函数的正交基展开
　　5.2.2 学习算法推导
　　5.2.3 算法描述和复杂性分析
　　5.3 基于傅里叶函数变换的学习算法
　　5.3.1 L2[0，2π]中函数的傅里叶正交基展开
　　5.3.2 学习算法推导
　　5.4 基于walsh函数变换的学习算法
　　5.4.1 基于离散walsh函数变换的学习算法
　　5.4.2 基于连续walsh函数变换的学习算法
　　5.5 基于样条函数拟合的学习算法
　　5.5.1 样条函数
　　5.5.2 学习算法推导
　　5.5.3 算法的适应性和复杂性分析
　　5.6 基于有理平方逼近和最优分段逼近的学习算法
　　5.6.1 基于有理平方逼近的学习算法
　　5.6.2 基于最优分段逼近的学习算法
　　5.7 结束语
　　第6章 反馈过程神经元网络
　　6.1 一种三层结构的反馈过程神经元网络
　　6.1.1 网络结构
　　6.1.2 学习算法
　　6.1.3 稳定性分析
　　6.2 几种其他形式的反馈过程神经元网络
　　6.2.1 输入与输出均为时变函数的反馈过程神经元网络
　　6.2.2 可用于模式分类的反馈过程神经元网络
　　6.2.3 可用于联想记忆存储的反馈过程神经元网络
　　6.3 应用举例
　　第7章 多聚合过程神经元网络
　　7.1 多聚合过程神经元
　　7.2 多聚合过程神经元网络模型
　　7.2.1 多聚合过程神经元网络的一般模型
　　7.2.2 输入与输出均为多元过程函数的多聚合过程神经元网络模型
　　7.3 学习算法
　　7.3.1 多聚合过程神经元网络一般模型的学习算法
　　7.3.2 输入与输出均为多元函数的多聚合过程神经元网络的学习算法
　　7.4 应用举例
　　7.5 结束语
　　第8章 过程神经元网络的设计和构建
　　8.1 双隐层过程神经元网络
　　8.1.1 网络结构
　　8.1.2 学习算法
　　8.1.3 应用举例
　　8.2 离散过程神经元网络
　　8.2.1 离散过程神经元
　　8.2.2 离散过程神经元网络
　　8.2.3 学习算法
　　8.2.4 应用举例
　　8.3 级联过程神经元网络
　　8.3.1 网络结构
　　8.3.2 学习算法
　　8.3.3 应用举例
　　8.4 自组织过程神经元网络
　　8.4.1 网络结构
　　8.4.2 学习算法
　　8.4.3 应用举例
　　8.5 对传过程神经元网络
　　8.5.1 网络结构
　　8.5.2 学习算法
　　8.5.3 模式分类数的确定
　　8.5.4 应用举例
　　8.6 径向基过程神经元网络
　　8.6.1 径向基过程神经元
　　8.6.2 网络结构
　　8.6.3 学习算法
　　8.6.4 立用举例
　　8.7 结束语
　　第9章 过程神经元网络的应用
　　9.1 在过程建模中的应用
　　9.2 在非线性系统辨识中的应用
　　9.2.1 非线性系统辨识原理
　　9.2.2 用于系统辨识的过程神经元网络
　　9.2.3 非线性系统辨识过程
　　9.3 在过程控制中的应用
　　9.3.1 非线性系统的过程控制
　　9.3.2 过程控制器的设计和求解
　　9.3.3 仿真实验
　　9.4 在聚类和分类中的应用
　　9.5 在过程优化中的应用
　　9.6 在预测预报中的应用
　　9.7 在评估决策中的应用
　　9.8 在宏观控制中的应用
　　9.9 其他应用
　　9.10 值得进一步研究的理论和实际问题
　　9.11 结束语
　　参考文献

　　    《过程神经元网络》是在作者近10年来对过程神经元网络研究基础上形成的一部专著。过程神经元网络是作者提出的一种新型神经元网络，其输入和输出可以是时变过程或时变函数、多元函数乃至是抽象距离空间中的“点”，对输入的加工包括多元聚合和累积，特别是空间聚合和时间累积。全书共分9章，从引进过程神经元观念开始，逐步深入地介绍各种过程神经元网络，包括网络结构、学习算法、相关理论、网络设计和构建方法以及应用实例等。相关理论包括泛函逼近定理、网络性质和计算能力等；应用领域包括过程建模、系统辨识、过程控制、聚类分类、过程优化、预测预报、评估决策以及宏观控制等。
　　    《过程神经元网络》可作为高等学校计算机科学与技术、电子信息、自动控制等相关专业高年级学生和研究生课程的参考用书，也可作为从事智能信息处理等相关领域研究人员的参考书。