目录 1
前言 1
第一章 绪论 1
1.1 引言 1
1.2 神经计算的研究历史 3
1.3 神经信息处理的基本原理 7
1.4 简单的神经网络模型 16
1.4.1 简单线性模型 16
1.4.2 线性阈值单元 17
1.4.3 盒中脑状态 17
1.4.4 热力学模型 18
1.5 神经计算的研究内容 18
1.6 神经计算的发展趋势 22
参考文献 23
第二章 神经计算的生物基础 25
2.1 脑系统 25
2.2 生物神经元 26
2.2.1 神经元 26
2.2.2 突触 27
2.2.3 化学递质 28
2.3 神经冲动 30
2.4 神经系统 32
2.4.1 中枢神经系统 32
2.4.2 周围神经系统 33
2.5.1 视觉的生理机制 36
2.5 视觉系统 36
2.5.2 视觉系统的基本功能 37
2.5.3 视觉信息加工 38
2.5.4 单色视觉模型 39
2.5.5 彩色视觉模型 40
2.5.6 马尔的视觉计算理论 42
2.5.7 拓扑性质检测的视觉模型 45
2.6 记忆系统 46
2.6.1 记忆类型 46
2.6.2 长时记忆机制 49
2.6.3 动态记忆理论 50
2.6.4 记忆的生理机制 51
参考文献 53
第三章 人工神经网络的数学模型 55
3.1 概述 55
3.2 线性限幅单元 57
3.3 感知机 58
3.3.1 感知机学习算法 58
3.3.2 Pocket算法 59
3.3.3 最小二乘分类学习算法 60
3.3.4 多层感知机 61
3.4 前向多层神经网络的反传学习算法 65
3.4.1 单样本学习法 65
3.4.2 随机逼近法 69
3.4.4 提高反传算法收敛速度的方法 70
3.4.3 集中学习法 70
3.5 映射网络的容量分析 71
3.6 线性联想器 72
3.7 Hopfield联想神经网络 75
3.8 反馈联想网络的分析 76
3.8.1 稳定性分析 76
3.8.2 学习规则 79
3.9 双向联想记忆 81
3.10 Hopfield-Tank连续神经网络模型 83
3.11 玻耳兹曼机 86
3.11.1 概述 86
3.11.2 玻耳兹曼机模型 86
3.11.3 玻耳兹曼机的学习算法 88
3.11.4 模拟退火算法 91
3.11.5 柯西机 94
3.12 稀疏编码联想记忆网络 97
3.13 递归神经网络 98
参考文献 100
第四章 人工神经网络的认知模型 103
4.1 概述 103
4.2 相互激活与竞争网络 104
4.2.1 IAC网络模型的结构 104
4.2.2 IAC网络的数学描述 105
4.2.3 IAC网络的特点 106
4.3.1 竞争学习的基本结构 108
4.3 竞争学习 108
4.2.4 IAC网络模型 108
4.3.2 竞争学习系统的性质 109
4.3.3 竞争学习的几何解释 110
4.3.4 竞争学习的某些特点 111
4.4 自适应谐振理论 112
4.4.1 概述 112
4.4.2 ART-1神经网络 112
4.4.3 ART-2神经网络 114
4.5 ART-3神经网络 119
4.6 Kohonen的自组织模型 126
4.7 认知机 128
4.7.1 结构 129
4.7.2 训练 130
4.8 神经认知机 135
4.8.1 结构 135
4.8.2 计算 136
4.8.3 训练 137
4.9 神经认知机模式识别的处理 138
4.10 组合超压缩 141
4.11 遗传神经网络 142
4.11.1 进化策略 143
4.11.2 达尔文进化算法 145
4.11.3 并行遗传算法 146
4.11.4 基因型学习和表型学习 146
参考文献 149
5.1 概述 151
第五章 神经动力学 151
5.2 动力系统的稳定性 152
5.3 吸引子分析 156
5.3.1 矩阵W的计算及其吸引域 158
5.3.2 最优系数矩阵 160
5.3.3 能量函数 161
5.4 概率统计的观点 162
5.5 神经网络的熵理论 164
5.5.1 能量与熵 164
5.5.2 同步并行计算 166
5.5.3 异步串行计算 166
5.6 动力系统的分维学 169
5.7 通有神经网络模型 170
5.7.1 通有人工神经网络模型 171
5.7.2 通有神经网络的稳定性 172
5.7.3 通有神经网络延时特性 175
5.8 信息几何 176
5.9 混沌 178
参考文献 179
第六章 模糊人工神经网络 181
6.1 概述 181
6.2 模糊集合 182
6.3 模糊逻辑 183
6.4 模糊联想记忆 184
6.5 神经模糊推理系统 187
6.6.1 近似逻辑 191
6.6 神经网络近似逻辑 191
6.6.2 神经网络模型 192
6.6.3 从样本中归纳学习 194
参考文献 196
第七章 适应性子波理论 199
7.1 概述 199
7.2 傅立叶变换 200
7.3 盖博变换 201
7.4 子波变换 203
7.5 子波的建造 206
7.6 神经网络适应性子波 207
参考文献 209
8.1 概述 211
第八章 神经计算的应用 211
8.2 神经专家系统 212
8.2.1 神经专家系统的基本原理 212
8.2.2 神经专家系统的混合结构 215
8.2.3 面向对象的神经网络专家系统外壳ONESS 216
8.3 智能控制 222
8.4 组合优化问题求解 226
8.5 图象识别 229
8.6 神经网络系统的设计 232
8.7 神经网络综合的基本方法 233
8.7.1 外积法 235
8.7.2 投影学习规则 236
8.7.3 特征结构法 238
8.7.4 非对称连接矩阵网络综合 240
参考文献 242
第九章 神经计算软件 245
9.1 概述 245
9.2 并行网络仿真系统P3 246
9.3 PDP神经网络软件 248
9.3.1 相互激活与竞争网络仿真程序 248
9.3.2 竞争学习模型的仿真程序 252
9.3.3 仿真程序的运行 253
9.4 神经网络编程 265
9.4.1 反传网络 265
9.4.2 霍普菲尔特网络 267
9.4.3 玻耳兹曼机 272
9.5 神经网络描述语言AXON 282
参考文献 283
第十章 神经计算机 285
10.1 神经计算机的体系结构 285
10.2 电子数字神经器件 288
10.3 电压模式神经器件 292
10.3.1 基本器件 292
10.3.2 反馈网络的实现 293
10.3.3 开关电容神经网络 294
10.4 电流模式神经器件 296
10.4.1 有源跨导放大器 296
10.4.2 电流模式神经元模型 297
10.5.1 神经网络协处理器 298
10.5 电子神经计算机 298
10.5.2 并行处理机阵列 300
10.5.3 脉动神经计算机 302
10.5.3 神经计算机开发系统 304
10.6 光神经计算机 305
10.6.1 矩阵处理器 305
10.6.2 空间光调制器 307
10.6.3 光互连 309
10.6.4 光全息存储器 309
10.6.5 电光神经计算机 310
10.6.6 全光神经计算机 310
10.7 分子计算机 311
107.1 分子计算的宏—微模式 311
10.7.3 分子神经计算机的体系结构 313
10.7.2 生物芯片 313
参考文献 316
第十一章 人工思维 319
11.1 系统级脑模拟 319
11.2 细胞级脑模拟 321
11.3 分子级脑模拟 322
11.4 思维的层次模型 323
11.5 智能系统 324
11.6 智能系统环境INTSE 327
11.7 人工思维模型 329
参考文献 331
索引 333