第一章 引言 1
1.1 人工神经网络的提出 1
1.1.1 智能与人工智能 1
1.1.2 物理符号系统 4
1.1.3 联接主义观点 5
1.1.4 两种模型的比较 6
1.2 人工神经网络的特点 7
1.2.1 人工神经网络的概念 7
1.2.2 学习能力 8
1.2.3 普化能力 8
1.2.4 信息的分布存放 10
1.2.5 适用性问题 10
1.3 历史回顾 10
1.3.1 萌芽期 10
1.3.2 第一高潮期 11
1.3.3 反思期 11
1.3.4 第二高潮期 12
1.3.5 再认识与应用研究期 13
练习题 13
第二章 人工神经网络基础 15
2.1 生物神经网络 15
2.2 人工神经元 16
2.2.1 人工神经元的基本构成 16
2.2.2 激活函数(Activation Function) 17
2.2.3 M-P模型 19
2.3 人工神经网络的拓扑特性 19
2.3.1 联接模式 20
2.3.2 网络的分层结构 20
2.4 存储与映射 25
2.5 人工神经网络的训练 27
2.5.1 无导师学习 27
2.5.2 有导师学习 28
练习题 29
第三章 感知器 30
3.1 感知器与人工神经网络的早期发展 30
3.2 感知器的学习算法 31
3.2.1 离散单输出感知器训练算法 31
3.2.2 离散多输出感知器训练算法 32
3.2.3 连续多输出感知器训练算法 33
3.3 线性不可分问题 35
3.3.1 异或(Exclusive-OR)问题 35
3.3.2 线性不可分问题的克服 37
练习题 38
第四章 BP网络 39
4.1 概述 39
4.2 基本BP算法 40
4.2.1 网络的构成 40
4.2.2 训练过程概述 41
4.2.3 误差传播分析 42
4.2.4 基本的BP算法 44
4.3 算法的改进 45
4.4 算法的实现 47
4.5 算法的理论基础 48
4.6 几个问题的讨论 52
练习题 54
第五章 对传网 55
5.1 网络结构 56
5.2 网络的正常运行 57
5.2.1 Kohonen层 57
5.2.2 Grossberg层 58
5.3 Kohonen层的训练 59
5.3.1 输入向量的预处理 59
5.3.2 训练 60
5.4 Kohonen层联接权的初始化方法 62
5.5 Grossberg层的训练 65
5.6 补充说明 67
练习题 69
第六章 非确定方法 70
6.1 基本的非确定训练算法 70
6.2 模拟退火算法 73
6.3 Cauchy训练 78
6.4 相关的几个问题 79
练习题 82
第七章 循环网络 83
7.1 循环网络的组织 83
7.2 稳定性分析 87
7.3 统计Hopfield网与Boltzmann机 90
7.4 双联存储器的结构 94
7.5 异相联存储 96
7.6 其他的双联存储器 97
7.7 Hopfield网用于解决TSP问题 97
练习题 100
第八章 自适应共振理论 101
8.1 ART的结构 102
8.2 ART的初始化 107
8.2.1 T的初始化 107
8.2.2 B的初始化 107
8.2.3 ρ的初始化 108
8.3 ART的实现 108
练习题 112
参考文献 114