人工神经网络原理及仿真实例 第2版PDF电子书下载

第1章　引言 1

1.1　人工神经网络简介 1

1.2　人工神经网络的发展历史 1

1.2.1　兴起阶段 1

1.2.2　萧条阶段 3

1.2.3　兴盛阶段 4

1.3　人工神经网络模型 6

1.3.1　生物神经元模型 6

1.3.2　人工神经网络的模型 7

1.4　人工神经网络的分类及学习规则 10

1.4.1　人工神经网络的分类 10

1.4.2　神经网络的学习 12

1.5　人工神经网络的信息处理能力 16

1.6　人工神经网络的应用 17

1.7　人工神经网络与人工智能 18

1.7.1　人工智能简介 18

1.7.2　人工智能与人工神经网络的比较 19

1.8　习题 20

第2章　单层前向网络及LMS学习算法 23

2.1　单层感知器 23

2.1.1　单层感知器模型 23

2.1.2　单层感知器的学习算法 24

2.2　自适应线性元件 27

2.3　LMS学习算法 30

2.4　仿真实例 33

2.5　习题 42

第3章　多层前向网络及BP学习算法 43

3.1　多层感知器 43

3.2　BP学习算法 44

3.2.1　BP学习算法描述 44

3.2.2　BP学习算法步骤 48

3.2.3　BP学习算法的改进 53

3.3　径向基网络 55

3.3.1　RBF神经网络模型 55

3.3.2　RBF网络的学习算法 58

3.3.3　RBF网络与多层感知器的比较 62

3.4　仿真实例 63

3.5　习题 76

第4章　支持向量机及其学习算法 78

4.1　统计学习理论简介 79

4.1.1　机器学习的基本问题 79

4.1.2　统计学习理论 81

4.2　支持向量机 84

4.2.1　最优分类超平面 84

4.2.2　支持向量机 87

4.2.3　支持向量机与多层前向网络的比较 91

4.3　支持向量机的分类学习算法 91

4.4　用于函数拟合的支持向量机 92

4.5　支持向量机算法的研究与应用 93

4.5.1　支持向量机算法改进 93

4.5.2　核函数的改进 95

4.5.3　错误惩罚参数的选择 96

4.5.4　不敏感参数ε的选择 96

4.5.5　支持向量机解决多类划分问题 96

4.5.6　支持向量机的应用 98

4.6　仿真实例 98

4.7　习题 108

第5章　Hopfield神经网络与联想记忆 109

5.1　神经动力学 109

5.2　离散Hopfield神经网络 111

5.2.1　离散Hopfield网络模型 111

5.2.2　离散Hopfield网络的运行规则 112

5.3　连续Hopfield神经网络 114

5.3.1　连续Hopfield网络模型 114

5.3.2　连续Hopfield网络稳定性分析 116

5.4　联想记忆 117

5.4.1　联想记忆的基本概念 117

5.4.2　Hopfield联想记忆网络 119

5.4.3　Hopfield联想记忆网络的运行步骤 121

5.4.4　联想记忆网络的改进 123

5.5　仿真实例 123

5.6　习题 134

第6章　随机神经网络及模拟退火算法 135

6.1　Boltzmann 机 135

6.1.1　Boltzmann机的网络结构 136

6.1.2　Boltzmann机的工作原理 137

6.1.3　Boltzmann机的运行步骤 139

6.1.4　Boltzmann机的学习规则 140

6.2　Boltzmann机的改进 141

6.2.1　确定性Boltzmann机 142

6.2.2　Sigmoid置信度网络 143

6.3　模拟退火算法 145

6.3.1　模拟退火原理 146

6.3.2　模拟退火算法用于组合优化问题 147

6.4　仿真实例 149

6.5　习题 157

第7章　竞争神经网络 159

7.1　Hamming网络 160

7.1.1　Hamming网的基本模型 160

7.1.2　自适应Hamming网模型 164

7.1.3　模糊自适应Hamming网 167

7.2　自组织映射网络 168

7.2.1　自组织映射网络模型 169

7.2.2 自组织映射学习算法 170

7.3　学习矢量量化 173

7.3.1　学习矢量量化的基本模型 173

7.3.2　Kohonen的改进模型 175

7.3.3　广义矢量量化模型 176

7.3.4　模糊GLVQ模型 178

7.3.5　学习矢量量化和自组织映射 179

7.4　主分量分析 180

7.4.1　主分量分析方法 180

7.4.2　主分量分析网络及其算法 182

7.4.3　非线性主分量分析及其网络模型 186

7.5　仿真实例 189

7.6　习题 209

第8章　协同神经网络 210

8.1　协同学简介 211

8.1.1　协同学的基本思想 212

8.1.2　协同学的数学模型 212

8.1.3　协同学的关键概念 214

8.2　协同神经网络 216

8.2.1　协同神经网络的数学模型 217

8.2.2　协同神经网络的结构 219

8.2.3　协同神经网络的运行步骤 222

8.2.4　协同学习算法 224

8.2.5　协同神经网络的优缺点 226

8.3　仿真实例 227

8.4　习题 231

附录 233

附录A　MATLAB及神经网络工具箱简介 233

附录B　MATLAB中神经网络工具箱函数 241

参考文献 246