人工神经网络理论及应用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 5

1.2.2 低潮时期 7

1.2.3 复兴时期 8

1.2.4 新时期 9

1.2.5 海量数据时代 12

1.2.6 国内研究概况 12

1.3 神经网络的基本特征与功能 13

1.3.1 神经网络的基本特点 13

1.3.2 神经网络的基本功能 13

1.4 神经网络的应用领域 15

1.4.1 信息处理领域 15

1.4.2 自动化领域 16

1.4.3 工程领域 16

1.4.4 医学领域 17

1.4.5 经济领域 17

本章小结 18

习题 19

第2章 人工神经网络建模基础 20

2.1 脑的生物神经系统概述 20

2.1.1 人体神经系统的构成 20

2.1.2 高级中枢神经系统的功能 21

2.1.3 脑组织的分层结构 22

2.2 生物神经网络基础 23

2.2.1 生物神经元的结构 23

2.2.2 生物神经元的信息处理机理 24

2.3 人工神经元模型 26

2.3.1 神经元的建模 26

2.3.2 神经元的数学模型 27

2.3.3 神经元的变换函数 28

2.4 人工神经网络模型 30

2.4.1 网络拓扑结构类型 30

2.4.2 网络信息流向类型 31

2.5 神经网络学习 32

2.5.1 Hebbian学习规则 34

2.5.2 离散感知器学习规则 35

2.5.3 连续感知器学习规则 36

2.5.4 最小方均学习规则 37

2.5.5 相关学习规则 38

2.5.6 胜者为王学习规则 38

2.5.7 外星学习规则 38

本章小结 40

习题 40

第3章 感知器神经网络 42

3.1 单层感知器 42

3.1.1 感知器模型 42

3.1.2 感知器的功能 43

3.1.3 感知器的局限性 45

3.1.4 感知器的学习算法 45

3.2 多层感知器 47

3.3 自适应线性单元简介 49

3.3.1 ADALINE模型 49

3.3.2 ADALINE学习算法 49

3.3.3 ADALINE应用 51

3.4 误差反传算法 51

3.4.1 基于BP算法的多层感知器模型 52

3.4.2 BP学习算法 53

3.4.3 BP算法的程序实现 56

3.4.4 多层感知器的主要能力 57

3.4.5 误差曲面与BP算法的局限性 58

3.5 标准BP算法的改进 59

3.5.1 增加动量项 59

3.5.2 自适应调节学习率 59

3.5.3 引入陡度因子 60

3.6 基于BP算法的多层感知器设计基础 60

3.6.1 网络信息容量与训练样本数 60

3.6.2 训练样本集的准备 61

3.6.3 初始权值的设计 64

3.6.4 多层感知器结构设计 65

3.6.5 网络训练与测试 66

3.7 基于BP算法的多层感知器应用与设计实例 67

3.7.1 基于BP算法的多层感知器用于催化剂配方建模 67

3.7.2 基于BP算法的多层感知器用于汽车变速器最佳挡位判定 68

3.7.3 基于BP算法的多层感知器用于图像压缩编码 69

3.7.4 基于BP算法的多层感知器用于水库优化调度 69

3.8 基于MATLAB的BP网络应用实例 70

3.8.1 BP网络用于数据拟合 70

3.8.2 BP网络用于鸢尾花分类问题 72

扩展资料 76

本章小结 77

习题 77

第4章 自组织竞争神经网络 80

4.1 竞争学习的概念与原理 80

4.1.1 基本概念 80

4.1.2 竞争学习原理 82

4.2 自组织特征映射神经网络 84

4.2.1 SOFM网的生物学基础 85

4.2.2 SOFM网的拓扑结构与权值调整域 85

4.2.3 自组织特征映射网的运行原理与学习算法 86

4.2.4 SOFM网的设计基础 90

4.2.5 应用与设计实例 92

4.3 学习向量量化神经网络 95

4.3.1 向量量化 95

4.3.2 LVQ网络结构与工作原理 96

4.3.3 LVQ网络的学习算法 97

4.4 对偶传播神经网络 98

4.4.1 网络结构与运行原理 98

4.4.2 CPN的学习算法 99

4.4.3 改进的CPN网 100

4.4.4 CPN网的应用 102

4.5 自适应共振理论网络 102

4.5.1 ARTⅠ型网络 103

4.5.2 ARTⅡ型网络 110

4.6 基于MATLAB的SOM网络聚类实例 114

扩展资料 117

本章小结 118

习题 119

第5章 径向基函数神经网络 122

5.1 基于径向基函数技术的函数逼近与内插 122

5.1.1 插值问题描述 122

5.1.2 径向基函数技术解决插值问题 123

5.1.3 完全内插存在的问题 124

5.2 正则化理论与正则化RBF网络 125

5.2.1 正则化理论 125

5.2.2 正则化RBF网络 126

5.3 模式可分性观点与广义RBF网络 127

5.3.1 模式的可分性 127

5.3.2 广义RBF网络 128

5.4 RBF网络常用学习算法 129

5.4.1 数据中心的聚类算法 130

5.4.2 数据中心的监督学习算法 131

5.5 RBF网络与多层感知器的比较 132

5.6 RBF网络的设计与应用实例 133

5.6.1 RBF网络在液化气销售量预测中的应用 133

5.6.2 RBF网络在地表水质评价中的应用 133

5.6.3 RBF网络在汽油干点软测量中的应用 134

5.7 基于MATLAB的RBF网络应用实例 136

扩展资料 138

本章小结 138

习题 139

第6章 反馈神经网络 140

6.1 离散型Hopfield神经网络 140

6.1.1 网络的结构与工作方式 140

6.1.2 网络的稳定性与吸引子 141

6.1.3 网络的权值设计 147

6.1.4 网络的信息存储容量 148

6.2 连续型Hopfield神经网络 149

6.2.1 网络的拓朴结构 149

6.2.2 能量函数与稳定性分析 150

6.3 Hopfield网络应用与设计实例 151

6.3.1 应用DHNN网解决联想问题 151

6.3.2 应用CHNN网解决优化计算问题 152

6.4 双向联想记忆神经网络 155

6.4.1 BAM网结构与原理 155

6.4.2 能量函数与稳定性 156

6.4.3 BAM网的权值设计 157

6.4.4 BAM网的应用 158

6.5 随机神经网络 159

6.5.1 模拟退火原理 160

6.5.2 玻尔兹曼机 161

扩展资料 165

本章小结 166

习题 166

第7章 小脑模型神经网络 168

7.1 CMAC网络的结构 168

7.2 CMAC网络的工作原理 169

7.2.1 从X到M的映射 169

7.2.2 从M到A的映射 171

7.2.3 从A到Ap的映射 172

7.2.4 从Ap到F的映射 173

7.3 CMAC网络的学习算法 173

7.4 CMAC网络的应用 174

扩展资料 175

第8章 深度神经网络 176

8.1 深度神经网络框架 177

8.1.1 选择深层模型的原因 177

8.1.2 深度网络的训练算法 179

8.1.3 深度学习的软件工具及平台 180

8.2 受限玻尔兹曼机和深度置信网 180

8.2.1 受限玻尔兹曼机的基本结构 181

8.2.2 受限玻尔兹曼机的能量模型和似然函数 181

8.2.3 最优参数的梯度计算 182

8.2.4 基于对比散度的快速算法 184

8.2.5 深度置信网络 185

8.3 卷积神经网络 186

8.3.1 卷积神经网络基本概念及原理 187

8.3.2 卷积神经网络完整模型 189

8.3.3 CNN的学习 190

8.3.4 CNN应用 190

8.4 堆栈式自动编码器 192

8.4.1 自编码算法与稀疏性 192

8.4.2 栈式自动编码器 194

8.4.3 栈式自编码网络在手写数字分类中的应用 194

扩展资料 196

本章小结 197

习题 198

第9章 支持向量机 199

9.1 支持向量机的基本思想 199

9.1.1 最优超平面的概念 199

9.1.2 线性可分数据最优超平面的构建 201

9.1.3 非线性可分数据最优超平面的构建 202

9.2 非线性支持向量机 203

9.2.1 基于内积核的最优超平面 203

9.2.2 非线性支持向量机神经网络 205

9.3 支持向量机的学习算法 205

9.4 支持向量机设计应用实例 207

9.4.1 XOR问题 207

9.4.2 人工数据分类 210

9.4.3 手写体阿拉伯数字识别 211

9.5 基于MATLAB的支持向量机分类 212

扩展资料 214

本章小结 215

习题 215

第10章 遗传算法与神经网络进化 216

10.1 遗传算法的原理与特点 216

10.1.1 遗传算法的基本原理 216

10.1.2 遗传算法的特点 217

10.2 遗传算法的基本操作与模式理论 217

10.2.1 遗传算法的基本操作 218

10.2.2 遗传算法的模式理论 220

10.3 遗传算法的实现与改进 223

10.3.1 编码问题 223

10.3.2 初始种群的产生 223

10.3.3 适应度的设计 224

10.3.4 遗传算法的操作步骤 225

10.3.5 遗传算法中的参数选择 225

10.3.6 遗传算法的改进 225

10.4 遗传算法在神经网络设计中的应用 226

10.4.1 遗传算法用于神经网络的权值优化 227

10.4.2 遗传算法用于神经网络的结构优化 229

本章小结 231

习题 232

第11章 神经网络系统设计与软硬件实现 233

11.1 神经网络系统总体设计 233

11.1.1 神经网络的适用范围 233

11.1.2 神经网络的设计过程与需求分析 234

11.1.3 神经网络的性能评价 235

11.1.4 输入数据的预处理 238

11.2 神经网络的软件实现 238

11.3 神经网络的高级开发环境 239

11.3.1 神经网络的开发环境及其特征 240

11.3.2 MATLAB神经网络工具箱 240

11.3.3 其他神经网络开发环境简介 245

11.4 神经网络的硬件实现 247

11.4.1 概述 247

11.4.2 神经元器件 249

11.4.3 神经网络系统结构 251

11.4.4 神经网络的光学实现 254

扩展资料 257

本章小结 257

习题 257

第12章 人工神经系统 258

12.1 人工神经系统的基本概念 258

12.1.1 生物神经系统 258

12.1.2 人工神经系统 259

12.2 人工神经系统的体系结构 259

12.2.1 高级中枢神经系统 259

12.2.2 低级中枢神经系统 261

12.2.3 外周神经系统 261

12.3 人工神经系统的控制特性 262

12.3.1 神经快速、分区控制系统 263

12.3.2 体液慢速、分工控制系统 263

12.3.3 人体神经控制系统 263

12.4 人工神经系统的信息模式 264

12.4.1 “数字-模拟”混合信息模式 264

12.4.2 “串行-并行”兼容信息模式 265

12.4.3 “集中-分散”结合信息模式 265

12.5 人工神经系统的应用示例 266

12.5.1 拟人智能综合自动化系统 266

12.5.2 人工鱼的总体技术方案 266

本章小结 268

习题 268

参考文献 269