第一章 绪论 1
1.1 神经网络与神经计算机 1
1.2 脑神经系统与信息处理 7
第二章 神经网络模型和学习算法 18
2.1 神经元的数理模型 18
2.2 分层网络模型和B-P学习算法 22
2.3 Hopfield模型 31
2.4 玻耳兹曼机 35
2.5 认知器模型和自组织映射模型 48
第三章 神经器件 57
3.1 神经器件概述 57
3.2 神经元电路 61
3.3 采用模拟电路实现的神经器件 70
3.4 采用数字电路实现的神经器件 83
3.5 硅联想存贮器 92
3.6 神经器件展望 113
第四章 神经计算机 121
4.1 神经计算机概述 121
4.2 Odyssey系统 132
4.3 Neuro Turbo系统 143
4.4 利用超级计算机进行神经计算 153
第五章 光神经计算机 160
5.1 神经网络与光技术 160
5.2 光神经计算 162
5.3 光神经器件 170
5.4 光联想记忆系统 179
5.5 大规模、高性能的光连接问题 184
6.1 Hopfield模型的模拟程序 188
第六章 神经网络模型的软件模拟 188
6.2 Hopfield联想记忆程序 195
6.3 用Hopfield模型求解TSP问题的程序 204
6.4 多层网络B-P算法的模拟程序 216
6.5 玻耳兹曼机的模拟程序 223
第七章 神经网络在模式识别中的应用 229
7.1 概述 229
7.2 新认知器模型与字符识别 234
7.3 语音识别 253
第八章 神经网络在视觉信息处理中的应用 270
8.1 概述 270
8.2 双眼立体视觉 272
8.3 图像恢复 278
8.4 图像压缩编码 287
8.5 用于初期视觉处理的神经网络模型 296
第九章 神经网络在智能控制中的应用 304
9.1 概述 304
9.2 神经网络在机器人控制中的应用 309
9.3 神经网络在自学习控制系统中的应用 340
第十章 神经网络在人工智能和认知科学中的应用 348
10.1 结合论 348
10.2 基于神经网络的知识系统设计 359
附录一 Hopfield模型的模拟程序 378
附录二 Hopfield联想记忆程序 382
附录三 用Hopfield模型求解TSP问题的程序 390
附录四 多层网络B-P算法的模拟程序 397
附录五 玻耳兹曼机的模拟程序 417
参考文献 423