人工神经网络教程PDF电子书下载

第1章 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 2

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 4

1.2　人工神经网络发展简史 5

1.2.1　启蒙时期 6

1.2.2　低潮时期 8

1.2.3　复兴时期 10

1.2.4　新时期 11

1.2.5　国内研究概况 14

1.3　神经网络的基本特点与功能 14

1.3.1　神经网络的基本特点 14

1.3.2　神经网络的基本功能 15

1.4　神经网络的应用领域 17

1.4.1　信息处理领域 17

1.4.2 自动化领域 18

1.4.3　工程领域 18

1.4.4　医学领域 19

1.4.5　经济领域 20

本章小结 20

思考与练习 21

第2章　人工神经网络建模基础 22

2.1　脑的生物神经系统概述 22

2.1.1　人体神经系统的构成 23

2.1.2　高级中枢神经系统的功能 24

2.1.3　脑组织的分层结构 25

2.2　生物神经网络基础 26

2.2.1　生物神经元的结构 26

2.2.2　生物神经元的信息处理机理 27

2.3　人工神经元模型 29

2.3.1　神经元的建模 30

2.3.2　神经元的数学模型 31

2.3.3　神经元的变换函数 32

2.4　人工神经网络模型 34

2.4.1　网络拓扑结构类型 34

2.4.2　网络信息流向类型 36

2.5　神经网络学习 37

2.5.1　Hebb学习规则 39

2.5.2　离散感知器学习规则 40

2.5.3　连续感知器学习规则 41

2.5.4　最小均方学习规则 42

2.5.5　相关学习规则 43

2.5.6　胜者为王学习规则 43

2.5.7　外星学习规则 43

本章小结 45

思考与练习 45

第3章　感知器神经网络 47

3.1　单层感知器 47

3.1.1　感知器模型 47

3.1.2　感知器的功能 48

3.1.3　感知器的局限性 50

3.1.4　感知器的学习算法 51

3.2　多层感知器 52

3.3 自适应线性单元简介 55

3.3.1 ADALINE模型 55

3.3.2 ADALINE学习算法 56

3.3.3 ADALINE应用 57

3.4　误差反传算法 58

3.4.1　基于BP算法的多层感知器模型 59

3.4.2　BP学习算法 60

3.4.3　BP算法的程序实现 63

3.4.4　多层感知器的主要能力 65

3.4.5　误差曲面与BP算法的局限性 65

3.5　标准BP算法的改进 67

3.5.1　增加动量项 67

3.5.2 自适应调节学习率 67

3.5.3　引入陡度因子 68

3.6　基于BP算法的多层感知器设计基础 68

3.6.1 网络信息容量与训练样本数 69

3.6.2　训练样本集的准备 69

3.6.3　初始权值的设计 73

3.6.4　多层感知器结构设计 74

3.6.5　网络训练与测试 75

3.7　基于BP算法的多层感知器应用与设计实例 76

3.7.1　基于BP算法的多层感知器用于催化剂配方建模 76

3.7.2　基于BP算法的多层前馈网用于汽车变速器最佳挡位判定 77

3.7.3　基于BP算法的多层感知器用于图像压缩编码 78

3.7.4　基于BP算法的多层感知器用于水库优化调度 78

本章小结 79

思考与练习 80

第4章 自组织竞争神经网络 84

4.1　竞争学习的概念与原理 84

4.1.1　基本概念 84

4.1.2　竞争学习原理 86

4.2 自组织特征映射神经网络 89

4.2.1　SOFM网的生物学基础 89

4.2.2　SOFM网的拓扑结构与权值调整域 89

4.2.3　SOFM网的运行原理与学习算法 91

4.2.4　SOFM网的设计基础 96

4.2.5　SOFM网应用与设计实例 98

4.3　学习向量量化神经网络 102

4.3.1 向量量化 102

4.3.2　LVQ网络结构与工作原理 103

4.3.3 LVQ网络的学习算法 103

4.4　对偶传播神经网络 105

4.4.1 网络结构与运行原理 105

4.4.2　CPN的学习算法 107

4.4.3　改进的CPN网 108

4.4.4　CPN网的应用 109

4.5 自适应共振理论网络 110

4.5.1　ARTⅠ型网络 110

4.5.2 ARTⅡ型网络 118

本章小结 122

思考与练习 123

第5章　径向基函数神经网络 127

5.1　基于径向基函数技术的函数逼近与内插 127

5.1.1　插值问题描述 127

5.1.2　径向基函数技术解决插值问题 128

5.1.3　完全内插存在的问题 129

5.2　正则化理论与正则化RBF网络 131

5.2.1　正则化理论 131

5.2.2 正则化RBF网络 132

5.3　模式可分性观点与广义RBF网络 133

5.3.1　模式的可分性 133

5.3.2　广义RBF网络 135

5.4　RBF网络常用学习算法 135

5.4.1　数据中心的聚类算法 136

5.4.2　数据中心的监督学习算法 137

5.5　RBF网络与多层感知器的比较 138

5.6　RBF网络的设计与应用实例 139

5.6.1 RBF网络在液化气销售量预测中的应用 139

5.6.2 RBF网络在地表水质评价中的应用 140

5.6.3 RBF网络在汽油干点软测量中的应用 141

本章小结 143

思考与练习 143

第6章　反馈神经网络 146

6.1　离散型Hopfield神经网络 146

6.1.1　网络的结构与工作方式 146

6.1.2　网络的稳定性与吸引子 147

6.1.3　网络的权值设计 153

6.1.4　网络的信息存储容量 154

6.2　连续型Hopfield神经网络 155

6.2.1　网络的拓扑结构 155

6.2.2　能量函数与稳定性分析 157

6.3　Hopfield网络应用与设计实例 158

6.3.1　应用DHNN网解决联想问题 158

6.3.2　应用CHNN网解决优化计算问题 158

6.4　双向联想记忆神经网络 162

6.4.1　BAM网结构与原理 162

6.4.2　能量函数与稳定性分析 163

6.4.3　BAM网的权值设计 164

6.4.4　BAM网的应用 165

6.5　随机神经网络 167

6.5.1　模拟退火原理 167

6.5.2 Boltzmann机 169

本章小结 174

思考与练习 175

第7章　小脑模型神经网络 176

7.1　CMAC网络的结构 176

7.2　CMAC网络的工作原理 178

7.2.1　从X到M的映射 178

7.2.2　从M到A的映射 180

7.2.3　从A到Ap的映射 181

7.2.4　从Ap到F的映射 181

7.3　CMAC网络的学习算法 182

7.4　CMAC网络的应用 182

第8章　支持向量机 185

8.1　支持向量机的基本思想 185

8.1.1　最优超平面的概念 185

8.1.2　线性可分数据最优超平面的构建 187

8.1.3　非线性可分数据最优超平面的构建 189

8.2　非线性支持向量机 190

8.2.1　基于内积核的最优超平面 190

8.2.2　非线性支持向量机神经网络 192

8.3　支持向量机的学习算法 193

8.4　支持向量机设计应用实例 195

8.4.1 XOR问题 195

8.4.2　人工数据分类 197

8.4.3　手写体阿拉伯数字识别 199

本章小结 200

思考与练习 201

第9章　遗传算法与神经网络进化 202

9.1　遗传算法的原理与特点 202

9.1.1　遗传算法的基本原理 202

9.1.2　遗传算法的特点 203

9.2　遗传算法的基本操作与模式理论 204

9.2.1　遗传算法的基本操作 204

9.2.2　遗传算法的模式理论 207

9.3　遗传算法的实现与改进 210

9.3.1　编码问题 210

9.3.2　初始种群的产生 210

9.3.3　适应度的设计 211

9.3.4　遗传算法的操作步骤 212

9.3.5　遗传算法中的参数选择 212

9.3.6　遗传算法的改进 213

9.4　遗传算法在神经网络设计中的应用 214

9.4.1　遗传算法用于神经网络的权值优化 214

9.4.2　遗传算法用于神经网络的结构优化 217

本章小结 220

思考与练习 220

第10章　神经网络系统设计与软硬件实现 221

10.1　神经网络系统总体设计 221

10.1.1　神经网络的适用范围 221

10.1.2　神经网络的设计过程与需求分析 222

10.1.3　神经网络的性能评价 224

10.1.4　输入数据的预处理 227

10.2　神经网络的软件实现 228

10.3　神经网络的高级开发环境 229

10.3.1　神经网络的开发环境及其特征 229

10.3.2 MATLAB神经网络工具箱 230

10.3.3　其他神经网络开发环境简介 235

10.4　神经网络的硬件实现 237

10.4.1　概述 237

10.4.2　神经元器件 240

10.4.3　神经网络系统结构 243

10.4.4　神经网络的光学实现 247

本章小结 250

第11章　人工神经系统 251

11.1　人工神经系统的基本概念 251

11.1.1　生物神经系统 251

11.1.2　人工神经系统 252

11.2　人工神经系统的体系结构 253

11.2.1　高级中枢神经系统 254

11.2.2　低级中枢神经系统 255

11.2.3　外周神经系统 256

11.3　人工神经系统的控制特性 258

11.3.1　神经快速、分区控制系统 258

11.3.2　体液慢速、分工控制系统 258

11.3.3　人体神经控制系统 258

11.4　人工神经系统的信息模式 260

11.4.1　“数字-模拟”混合信息模式 260

11.4.2　“串行-并行”兼容信息模式 261

11.4.3　“集中-分散”结合信息模式 261

11.5　人工神经系统的应用示例 262

11.5.1　拟人智能综合自动化系统 262

11.5.2　人工鱼的总体技术方案 263

本章小结 264

附录A　常用神经网络MATLAB程序 265

附录B　常用神经网络C语言源程序 282

附录C　神经网络常用术语英汉对照 324

参考文献 328