第一章 人工神经网络概述 1
1.1 引言 1
1.2 人工神经网络的基本功能 4
1.3 几种常见的神经网络 6
1.4 其他神经网络模型 27
第二章 现有神经网络学习方法的分析 33
2.1 引言 33
2.2 现有神经网络学习方法的主要问题 35
2.3 神经网络学习计算复杂性的分析 46
第三章 权-阈值神经网络学习算法 50
3.1 引言 50
3.2 神经网络的学习问题 51
3.3 网络训练样本吸引半径估计 58
3.4 吸引半径优化的讨论 60
3.5 PRA算法 62
3.6 计算机仿真模拟 65
第四章 多层神经网络的FP学习和综合算法 72
4.1 引言 72
4.2 前馈神经网络的FP算法 74
4.3 前馈网络性能分析 78
4.4 前馈网络结构分析 90
4.5 前馈FP算法推广及与其他方法比较 91
4.6 计算机仿真模拟 98
4.7 多层反馈神经网络的FP学习和综合算法 100
第五章 概率逻辑神经网络的定量分析 117
5.1 引言 117
5.2 Aleksander的工作 119
5.3 PLN网络 121
5.4 PLN网络收敛性定理 127
5.5 PLN网络结构性质 131
5.6 结论 137
第六章 概率逻辑神经网络的新模型 138
6.1 引言 138
6.2 A-学习算法与马尔可夫链 140
6.3 A-算法计算复杂性分析 148
6.4 PLN网络反馈连接矩阵与稳定性 155
第七章 概率逻辑神经网络的AZ-模型 175
7.1 引言 175
7.2 单层反馈PLN网络的识别复杂性 176
7.3 PLN网络的识别复杂性分析 180
7.4 PLN元件的改进——AZ-模型 186
7.5 PLN网络的样本吸引区域的分析 199
7.6 计算机仿真模拟 208
第八章 CMAC神经网络分析 214
8.1 引言 214
8.2 CMAC模型描述 215
8.3 CMAC网络在批量学习方式下的收敛性 226
8.4 CMAC网络在循环学习方式下的收敛性 232
8.5 CMAC网络在随机学习方式下的收敛性 240
8.6 样本集的地址向量线性相关时的收敛性 244
8.7 仿真实验 249
第九章 神经网络新模型的应用 263
9.1 FP模型的应用 263
9.2 PLN模型的应用 303
9.3 基于规划学习算法的应用 320
9.4 CMAC网络的应用 331
参考文献 367