目录 1
第1章 自适应神经网络模式识别 1
1.1 引言 1
1.1.1 模式识别的基本概念 1
1.1.2 模式识别方法概述 3
1.1.3 模式识别专家系统 4
1.2 神经网络分类器 8
1.3 不变性模式识别的神经网络方法 14
1.3.1 高阶神经网络方法 14
1.3.2 基于三阶相关的高阶神经网络模式识别 17
1.3.3 基于不变矩神经网络的模式识别 19
1.4 K-L变换 20
1.4.1 统计最优准则 20
1.4.2 子空间法的数学基础 21
1.4.3 K-L变换 24
1.4.4 基于K-L变换的特征选择 29
1.4.5 基于K-L变换的分类特征提取 31
1.4.6 K-L变换的数值计算 32
1.5 主分量分析法 37
1.5.1 主分量分析的基本思想 37
1.5.2 主分量的定义与求法 39
1.5.3 主分量的性质 43
1.5.4 主分量的计算方法 44
1.5.5 因子分析 46
1.6 基于神经网络的主分量分析 49
1.6.1 Oja算法 49
1.6.2 Sanger算法 51
1.6.3 自适应主分量提取的神经网络学习算法 53
1.6.4 基于正交学习网络的约束主分量分析 56
1.6.5 面向主分量提取的无导师神经网络算法 63
1.6.6 复数主分量分析的神经网络算法 66
1.7 学习子空间方法 69
1.7.1 自适应学习的基本准则 69
1.7.2 学习子空间法的基本思想 75
1.7.3 Kohonen学习子空间法 84
1.7.4 基于神经网络的学习对偶子空间法 91
1.7.5 广义感知器网络 97
参考文献 101
第2章 神经网络在信号处理与图像处理中的应用 103
2.1 信号变换与分解 103
2.1.1 DFT的神经网络实现 103
2.1.2 信号分解问题的神经网络方法 109
2.2 神经网络自适应算法 114
2.2.1 基本概念 114
2.2.2 自适应神经网络算法 119
2.2.3 神经网络自适应滤波器 127
2.3 自适应神经网络均衡与干扰对消 130
2.3.1 多层前向神经网络均衡器 130
2.3.2 基于Hopfield网络的均衡器设计 132
2.3.3 基于神经网络的干扰对消 137
2.4.1 LS准则下的信号检测与估计 145
2.4 基于神经网络的信号检测与估计 145
2.4.2 线性约束LS准则下的信号检测与估计 148
2.4.3 用于方向估计的神经网络方法 149
2.5 基于神经网络的图像处理 156
2.5.1 神经网络广义变换编码 156
2.5.2 基于神经网络的矢量量化 158
2.5.3 基于神经网络的降维矢量量化 161
2.5.4 图像恢复的神经网络方法 163
2.6 细胞神经网络及其在图像处理中的应用 170
2.6.1 连续时间细胞神经网络 171
2.6.2 广义细胞神经网络 184
2.6.3 基于细胞神经网络的图像处理 203
2.6.4 基于细胞神经网络的运动检测 207
2.7 子波神经网络理论与应用 215
2.7.1 引言 215
2.7.2 子波变换理论 217
2.7.3 多分辨分析框架和快速子波算法 222
2.7.4 子波包理论与快速算法 229
2.7.5 神经网络自适应子波 237
2.7.6 紧支正交子波神经网络 241
2.7.7 自适应斜交子波神经网络 243
2.7.8 子波神经网络的非线性逼近能力分析 245
参考文献 253
第3章 神经控制理论与应用 255
3.1 神经控制引论 255
3.1.1 控制科学：成功与挑战 255
3.1.2 神经网络用于控制系统的可能方式与结构 258
3.2 用于控制的神经网络 265
3.2.1 静态多层前向网络 265
3.2.2 动态反馈网络的控制语言描述 272
3.3 神经网络智能控制 275
3.3.1 智能控制的基本思想 275
3.3.2 智能控制系统的分类 278
3.3.3 智能化自适应控制 283
3.3.4 自适应神经网络智能控制 288
3.3.5 智能控制系统的学习方式 304
3.4 基于神经网络的系统辨识 307
3.4.1 神经网络辨识基础 308
3.4.2 神经网络辨识的基本方法 319
3.4.3 非线性静态系统辨识 323
3.4.4 非线性动态系统辨识 325
3.5 神经网络模糊控制方法 333
3.5.1 神经网络模糊控制的基本思想 333
3.5.2 神经模糊控制器 337
3.5.3 神经模糊控制规则 344
参考文献 358
第4章 神经计算机：虚拟实现 361
4.1 神经计算机导论 361
4.1.1 神经计算机的信息处理方式 361
4.1.2 神经计算机的分类与实现 366
4.1.3 设计神经网络计算机的几个问题 372
4.2 神经计算机的体系结构 374
4.2.1 并行计算机 374
4.2.2 神经计算机的体系结构 378
4.2.3 通用与专用神经计算机 380
4.3 神经软件与发展环境 382
4.3.1 神经软件 382
4.3.2 神经计算机的开发环境 387
4.3.3 神经软件包简介 390
4.4 神经计算机的信息存贮方法与性能分析 392
4.4.1 神经网络信息数组和链表存贮方法 393
4.4.2 神经网络信息存贮的改进方法 397
4.5 神经网络协处理器 400
4.5.1 ANZA协处理器 400
4.5.2 Mark系列协处理器 402
4.5.3 Odyssey协处理器 404
4.6 基于并行处理器阵列的神经计算机 411
4.6.1 几种并行阵列神经计算机 411
4.6.2 并行处理机上的神经网络实现技术 413
4.7 基于Transputer的神经计算机 419
4.7.1 Transputer和Occam语言 419
4.7.2 基于Transputer的并行C语言 433
4.7.3 通用并行神经计算机：*GP2N2S2 437
4.7.4 高级神经网络描述语言及编译器 443
4.7.5 GP2N2S2并行模拟控制器的设计与实现 458
4.7.6 总控模块的设计与实现 460
4.7.7 系统集成环境的设计 464
4.7.8 新算法的开发与实现 467
4.8 神经网络多媒体技术 476
4.8.1 神经计算机应用于多媒体系统的思想 476
4.8.2 神经网络与多媒体技术实现 477
4.9 新的信息处理技术计划——真实世界计算计划 479
4.9.1 背景 479
4.9.2 RWC基础理论研究计划 480
4.9.3 RWC的大规模并行处理系统MPP 481
4.9.4 RWC神经元系统 483
4.9.5 RWC应用的新功能 486
4.9.6 RWC的策略措拖 488
4.10 浑沌智能信息处理 488
参考文献 490
第5章 神经计算机：VLSI实现 493
5.1 VLSI神经计算机导论 493
5.1.1 概述 493
5.1.2 VLSI神经计算机的性能指标 497
5.2 VLSI神经计算机的基本单元 500
5.2.1 神经器件 500
5.2.2 突触连接权值的集成电路实现 501
5.2.3 VLSI神经计算机的有源积木块 511
5.2.4 模拟乘法器 520
5.3 神经计算机的数字VLSI实现 525
5.3.1 基本积木块 526
5.3.2 Hopfield网络的数字实现 528
5.3.3 乘法D/A数字神经网络实现 529
5.4 神经计算机的脉冲流VLSI实现 535
5.4.1 集成脉冲流神经网络的基本单元 535
5.4.2 脉冲流VLSI神经网络 539
5.5 神经计算机的SC实现 540
5.5.1 SC神经网络的基本积木块 540
5.5.2 离散神经网络的SC实现 544
5.5.3 开关电流神经网络 547
5.5.4 非线性优化SC神经网络 550
5.6 神经计算机的电流模式VLSl实现 554
5.6.1 电流模式IC的基本积木块 555
5.6.2 MOSFET-C神经网络 561
5.6.3 跨导-C神经网络 563
5.7 可重构VLSI神经网络 571
5.7.1 可重构性 572
5.7.2 分布神经元——突触实现 574
参考文献 577