人工神经网络建造PDF电子书下载

第一章 绪 论 1

1.1 历史回顾 1

1.2 生物神经 2

1.2.1 神 经 元 2

1.2.2 信息传递 3

1.3 神经组织 4

1.4 视觉神经 5

1.5 脑记忆的生理机制 6

1.6 分布系统的特点 7

1.7 分布系统的研究方法 9

1.8 人工神经网络与分布系统 10

1.9 人工神经网络信息处理原理 10

1.9.1 神 经 元 11

1.9.2 人工神经网络的分类 13

参考文献 14

第二章 人工神经网络的分布系统模型 15

2.1 基本数学工具 15

2.1.1 概率过程 15

2.1.2 连续时间的马尔科夫过程 16

2.1.3 离散状态系统与连续状态系统 18

2.1.4 概率微分方程 21

2.2 势条件和吉布斯分布 23

2.2.1 强势条件 23

2.2.2 弱势条件 24

2.2.3 细致平衡条件 25

2.2.4 正则系统和正则—散逸系统 26

2.2.5 Ito,Stratonovich概率微分方程及它们的福克—普朗克方程 27

2.3.1 最大熵原理 31

2.3 系 统 熵 31

2.3.2 最小相对信息原理 33

2.3.3 最小平均“能量”原理 35

2.3.4 有序与无序平衡原理 35

2.3.5 系统平衡态的熵 35

2.3.6 平衡状态的平均能量 36

2.3.7 最大熵分布 37

2.4 概率网络 38

2.4.1 网 络 38

2.4.2 Ising模型 39

2.4.3 利用平均场近似 43

2.4.4 马尔科夫概率场和概率网络 45

2.5 Hopfield网络 49

2.5.1 Hopfield权植公式证明 50

2.5.2 连续Hopfield网 51

2.5.3 Hopfield网络优化应用 53

2.6 波尔兹曼机器 54

附录1 60

附录2 61

附录3 61

参考文献 62

2.7 网络优化 62

2.7.1 目标函数 63

2.7.2 最优化问题的概率模型 64

2.7.3 分布最优网络 65

2.7.4 模拟退火法 65

2.7.5 网络结构变换 66

3.1.1 一般框架 69

3.1 人工神经网络的一般框架 69

第三章 人工神经网络的其它模型 69

3.1.2 PDP模型分类 72

3.1.3 PDP模型分层机构 73

3.1.4 一般并行活动模型范例 75

参考文献 80

3.2 感知器算法 80

3.2.1 感知器基本性质 80

3.2.2 感知器梯度算法 82

3.2.3 线性阈值元件感知器 88

3.24 最小二乘分类算法 88

3.3 误差反传递算法 89

3.3.1 两层网的缺点 89

3.3.2 扩展误差（△）规则 90

3.3.3 模拟结果 93

3.3.5 改良BP算法 100

3.3.6 模拟程序 105

3.4 竞争学习算法 113

3.4.1 竞争学习机构 113

3.4.2 竞争学习 114

3.4.3 形式分析 115

3.4.4 实验结果 117

3.4.5 模拟程序 125

参考文献 133

3.5 遗传算法的神经网络构造方法 133

3.5.1 遗传算法概述 134

3.5.2 遗传算法应用实例 136

3.5.3 遗传算法的形式描述 139

3.5.4 遗传算法神经网络 144

参考文献 146

3.6 基于自适应共振理论的自组织网络 147

3.6.1 ART的提出 147

3.6.2 ART模型结构 147

3.6.3 竞争学习模型 149

3.6.4 任意输入环境中的自稳定学习 150

3.6.5 交替学习模型 151

3.6.6 2/3规则 152

3.6.7 假定测试的自动控制 153

3.6.8 ART模型的数学方法 155

3.6.9 ART模型的学习算法 159

参考文献 160

4.1.1 并行性等级 161

4.1 计算机并行机制 161

第四章 大规模人工神经网络的实现 161

4.1.2 并行结构 162

4.1.3 处理机阵列 163

4.1.4 开关网络 167

4.2 Systolic阵列结构神经网络处理 175

4.2.1 Systolic阵列结构原理 176

4.2.2 波前阵列 177

4.2.3 人工神经网络的Systolic阵列实现 178

参考文献 184

4.3 专用硬件 185

4.3.1 数字VLSI神经元处理器 185

4.3.2 模拟电路VLSI神经元处理器 188

4.3.3 系统实例 191

4.3.4 光技术机器 193