第一章 概论 1
第一节 神经细胞及神经细胞组成的网络 1
第二节 人工神经网络的特点 3
第三节 人工神经网络的发展史 6
一、初始发展期 6
二、低潮时期 7
三、复兴时期 8
四、发展高潮期 9
第四节 人工神经网络的类型 10
一、神经元变换函数的类型 10
二、人工神经网络的结构 10
三、学习算法上的分类 12
第二章 前馈型人工神经网络 13
第一节 线性阈值单元组成的前馈网络 13
一、M-P模型 13
二、感知器组合的神经网络 14
三、多层的感知器网络 19
第二节 自适应线性单元组成的网络 24
一、用于非线性分割的自适应网络 25
二、多层Adaline网络的学习算法 26
三、Adaline和Madaline的应用 28
第三节 非线性变换单元组成的前馈网络 32
一、网络的结构与数学描述 32
二、B-P的学习算法 34
三、B-P网络的误差曲面讨论 37
四、算法的改进 41
五、B-P网络的设计考虑 43
六、B-P网络的应用举例 47
第三章 反馈式人工神经网络 52
第一节 离散的单层反馈网络模型 55
一、基本公式 55
二、稳定点 56
三、网络的稳定性 57
四、外积型DHNN权的设计和讨论 60
五、用其他方法进行权的设计 67
六、记忆容量的讨论 70
第二节 连续的单层反馈网络 75
一、连续的Hopfield网络的生物背景和数学模型 75
二、CHNN方程的解及稳定性讨论 78
三、李雅普诺夫稳定性定理 84
四、Hopfield的能量函数和稳定性判别 89
五、能量函数与优化计算 93
六、应用举例 97
第三节 细胞神经网络 105
一、CNN网络的模型 105
二、CNN网络系统的分析 108
三、非对称模板条件下的系统稳定性 112
四、网络权的设计 115
五、CNN网络的应用举例 118
第四章 自组织竞争人工神经网络 127
第一节 概述 127
一、竞争 128
二、自组织网络的学习规律 129
第二节 自适应共振理论模型 131
一、ART的模型结构 131
二、ART的工作流程 133
三、权的设计及学习 134
四、ART的实现 136
一、自组织映照模型的结构和工作过程 137
第三节 自组织映照模型 137
二、Kohonen网络的工作原理 141
三、Kohonen网络的应用举例 146
第四节 Fukushima网络模型 148
一、人工神经认知机模型 148
二、具有选择注意力的Fukushima神经网络 157
第五章 其他类型的人工神经网络模型 164
第一节 随机神经网络 164
一、Boltzmann分布和能量函数 164
二、Boltzmann机模拟学习样本的状态概率 165
三、平均场退火法的随机网络 168
第二节 脑模型联接控制器 170
一、CMAC模型的结构 171
二、网络的工作原理分析 173
三、CMAC的学习算法及收敛速度 179
四、CMAC在机器人控制中的应用 183
第三节 模糊与人工神经网络 184
一、模糊的基本概念 185
二、人工神经网络和模糊系统的比较 193
三、模糊理论基础上的多级神经网络 199
第四节 分形人工神经网络 206
一、分形概述 206
二、结构上的分形人工神经网络 207
三、信息分形的人工神经网络 209
一、概述 212
第五节 遗传算法在人工神经网络中的应用 212
二、遗传算法的流程 213
三、遗传算法的举例 214
第六章 人工神经网络的实现 217
第一节 概述 217
第二节 全模拟电路实现的神经网络 218
一、神经元的实现 218
二、权的设计 218
第三节 全数字电路的人工神经网络 223
第四节 脉冲串作为信号源的混合神经网络 225
第五节 具有虚处理单元的神经网络 230
参考文献 234