第1章 引言 1
1.1 人工神经网络简介 1
1.2 人工神经网络发展历史 1
1.2.1 兴起阶段 1
1.2.2 萧条阶段 3
1.2.3 兴盛阶段 4
1.3 人工神经网络模型 6
1.3.1 生物神经元模型 6
1.3.2 人工神经网络的模型 7
1.4 人工神经网络的分类及学习规则 10
1.4.1 人工神经网络的分类 10
1.4.2 神经网络的学习 12
1.5 人工神经网络的信息处理能力 16
1.6 人工神经网络的应用 17
1.7 人工神经网络与人工智能 18
1.7.1 人工智能简介 18
1.7.2 人工智能与人工神经网络 19
1.8 习题 20
第2章 单层前向网络及LMS学习算法 23
2.1 单层感知器 23
2.1.1 单层感知器模型 23
2.1.2 单层感知器的学习算法 24
2.2 自适应线性元件 27
2.3 LMS学习算法 30
2.4 仿真实例 33
2.5 习题 43
3.1 多层感知器 44
第3章 多层前向网络及BP学习算法 44
3.2.1 BP学习算法 45
3.2 BP学习算法 45
3.2.2 BP学习算法步骤 49
3.2.3 BP学习算法的改进 53
3.3 径向基网络 55
3.3.1 RBF神经网络模型 56
3.3.2 RBF网络的学习算法 59
3.3.3 RBF网络与多层感知器的比较 63
3.4 仿真实例 63
3.5 习题 73
第4章 支持向量机及其学习算法 76
4.1 统计学习理论 77
4.2.1 线性支持向量机 78
4.2 支持向量机 78
4.2.2 非线性支持向量机 81
4.2.3 支持向量机与多层前向网络的比较 84
4.3 支持向量机的学习算法 84
4.3.1 学习算法 84
4.3.2 改进算法 85
4.4 仿真实例 86
4.5 习题 94
第5章 Hopfield神经网络与联想记忆 95
5.1 神经动力学 95
5.2 离散Hopfield神经网络 97
5.2.1 离散Hopfield网络模型 97
5.2.2 离散Hopfield网络的运行规则 98
5.3 连续Hopfield神经网络 99
5.3.1 连续Hopfield网络模型 100
5.3.2 连续Hopfield网络稳定性分析 101
5.4 联想记忆 102
5.4.1 联想记忆的基本概念 102
5.4.2 Hopfield联想记忆网络 105
5.4.3 Hopfield联想记忆网络的运行步骤 106
5.4.4 联想记忆网络的改进 108
5.5 仿真实例 109
5.6 习题 118
第6章 随机神经网络及模拟退火算法 119
6.1 Boltzmann机 119
6.1.1 Boltzmann机的网络结构 120
6.1.2 Boltzmann机的工作原理 121
6.1.3 Boltzmann机的运行步骤 123
6.1.4 Boltzmann机的学习规则 124
6.2 Boltzmann机的改进 126
6.2.1 确定性Boltzmann机 126
6.2.2 Sigmoid置信度网络 127
6.3 模拟退火算法 129
6.3.1 模拟退火原理 130
6.3.2 模拟退火算法用于组合优化问题 131
6.4 仿真实例 133
6.5 习题 140
第7章 竞争神经网络 141
7.1 Hamming网络 142
7.1.1 Hamming网的网络结构 142
7.1.2 网络的运行过程 143
7.1.3 网络的学习算法 144
7.2 自组织映射网络 146
7.2.1 自组织映射网络模型 147
7.2.2 自组织映射学习算法 148
7.3 学习矢量量化 151
7.3.1 网络模型 151
7.3.2 学习矢量量化的学习算法 152
7.3.3 学习矢量量化和自组织映射 154
7.4 主分量分析 155
7.4.1 主分量分析方法 155
7.4.2 前向主分量分析网络及其算法 158
7.4.3 自适应主分量网络及其算法 160
7.5 仿真实例 162
7.6 习题 176
第8章 协同神经网络 178
8.1 协同学简介 179
8.1.1 协同学的基本概念 180
8.1.2 协同学的数学模型 180
8.2 协同神经网络及其学习算法 183
8.2.1 协同神经网络的数学模型 183
8.2.2 协同神经网络的结构 185
8.2.3 协同神经网络的运行步骤 188
8.2.4 协同学习算法 189
8.3 仿真实例 192
8.4 习题 196
附录1 MATLAB及神经网络工具箱简介 197
附录2 MATLAB(5.X版)中神经网络工具箱函数 203
参考文献 208