第1章绪论 1
1.1认知神经科学 3
1.2神经计算 9
神经计算的研究范畴 12
神经计算的历史与发展 12
神经计算的几个重要研究领域 16
1.3本书的主要内容 17
参考文献 17
第2章统计学习：神经网络模型 19
2.1Bayes理论 19
2.2单层前馈网络和学习规则 22
感知器训练规则 24
线性单元的梯度下降规则 25
随机梯度下降法 26
线性规划方法 27
2.3多层网络和反向传播学习规则 27
反向传播算法 28
反向传播算法性能分析 29
改进的反向传播算法 30
2.4SRM和SVM网络 30
线性支撑矢量机网络 31
非线性支撑矢量机网络 32
参考文献 34
第3章神经计算进展 36
3.1Bayes神经网络 36
Bayes网络 36
Bayes网络推断 39
Bayes网络学习 40
3.2正则学习和RBF神经网络 40
具有径向基稳定子的正则网络 44
具有张量稳定子的正则网络 44
具有加性稳定子的正则网络 45
正则网络的Bayes解释 46
径向基神经网络 47
3.3多尺度分析和子波神经网络 48
子波理论 49
多变量函数估计子波网络 50
正交多分辨子波网络 51
多子波神经网络 52
3.4量子神经网络 53
基于量子双缝干涉实验的计算模型 54
具有量子力学特性的人工神经元模型 55
量子联想记忆模型 56
基于多宇宙观点的计算模型 57
参考文献 59
第4章多尺度几何分析与网络 63
4.1多尺度分析 63
4.2多尺度几何分析系统中的方向基 66
4.3脊波 68
4.4曲线波 71
4.5轮廓波 73
4.6Bandelet 76
4.7Beamlet 79
4.8Brushlet 81
4.9Wedgelet 83
4.10多尺度几何网络 84
参考文献 86
第5章自适应脊波网络 92
5.1引言 92
5.2自适应连续脊波网络 93
网络模型和算法 94
网络收敛性能分析 98
实验和结果分析 101
5.3广义正则脊波网络 105
网络模型和学习算法 106
实验结果分析 108
参考文献 113
第6章方向多分辨脊波网络 117
6.1引言 117
6.2脊波框架 118
6.3方向多分辨脊波网络 119
网络模型 119
网络隐层节点数目的确定 120
网络训练算法 121
6.4方向多分辨脊波网络的性质 123
6.5实验和结果分析 125
参考文献 129
第7章线性脊波网络 130
7.1核光滑方法 130
7.2线性脊波模型 133
线性脊波网络 133
学习算法 135
7.3实验和结果分析 136
参考文献 138
第8章脊波核函数网络 140
8.1引言 140
8.2脊波核函数网络 141
8.3脊波核函数网络的学习算法 142
最小化平方误差算法的正则化核形式 142
基于遗传算法的方向向量优化 143
8.4实验和结果分析 144
参考文献 149
第9章曲线波网络模型 151
9.1引言 151
9.2图像处理中的曲线波变换 152
9.3曲线波框架的性质 156
9.4曲线波网络 157
9.5实验和结果分析 159
参考文献 162
第10章轮廓波网络模型 164
10.1轮廓波网络模型 164
10.2基于子波包分解的轮廓波包 166
10.3最优轮廓波包 168
10.4基于量子遗传算法的最优轮廓波包的构造 170
量子遗传算法 170
量子遗传算法优化轮廓波包 173
10.5最优轮廓波包网络 174
10.6实验和结果分析 175
参考文献 177