第一章 绪论 1
1.1 人类的智能与思维 1
1.1.1 智能 1
1.1.2 思维 2
1.2 人工智能 3
1.2.1 人工智能的主流学派 3
1.2.2 机制主义方法与人工智能统一 4
1.2.3 人工智能的研究内容 4
1.3 人脑与“电脑”的信息处理机制 5
1.4 人工神经网络的研究溯源 5
1.5 人工神经网络的分类 8
1.6 人工神经网络的特点 8
1.7 人工神经网络的功能 9
1.8 人工神经网络的应用 10
思考题 11
第二章 人工神经网络的基本原理 12
2.1 生物神经网络 12
2.1.1 生物神经元的结构 12
2.1.2 生物神经元的信息处理机理 13
2.1.3 生物神经网络的结构 15
2.1.4 生物神经网络的信息处理 16
2.2 人工神经元的数学建模 17
2.2.1 M-P模型 17
2.2.2 常用的神经元数学模型 19
2.3 人工神经网络的结构建模 22
2.3.1 网络拓扑类型 22
2.3.2 网络信息流向类型 23
2.3.3 人工神经网络结构模型的特点 24
2.4 人工神经网络的学习 24
思考题 26
第三章 感知器 27
3.1 感知器的结构与功能 27
3.1.1 单层感知器的网络结构 27
3.1.2 单层感知器的功能分析 28
3.2 感知器的学习算法 32
3.3 感知器的局限性与改进方式 34
3.4 多层感知器 35
3.5 感知器神经网络的MATLAB仿真实例 37
3.5.1 常用的感知器神经网络函数 37
3.5.2 仿真实例 39
思考题 43
第四章 BP神经网络 44
4.1 BP网络的模型 44
4.2 BP网络的学习算法 45
4.2.1 BP算法推导 45
4.2.2 BP算法的程序实现 47
4.3 BP网络的功能与数学本质 49
4.3.1 BP神经网络的功能特点 49
4.3.2 BP神经网络的数学本质 50
4.4 BP网络的问题与改进 50
4.4.1 BP神经网络存在的缺陷与原因分析 50
4.4.2 传统BP算法的改进与优化 51
4.4.3 深度神经网络 53
4.5 BP网络的设计 54
4.5.1 输入／输出变量的确定与训练样本集的准备 54
4.5.2 BP网络结构设计 56
4.5.3 网络训练与测试 57
4.6 BP网络的MATLAB仿真实例 58
4.6.1 BP神经网络的MATLAB工具箱 58
4.6.2 BP网络仿真实例 59
4.7 基于BP算法的一级倒立摆神经网络控制 64
4.7.1 倒立摆系统 64
4.7.2 仿真模型的建立 65
4.7.3 BP神经网络控制器的设计 65
4.7.4 神经网络控制器控制仿真实验 68
4.7.5 神经网络实物控制实验 69
思考题 70
第五章 径向基神经网络 71
5.1 径向基网络的模型 71
5.1.1 正规化RBF网络 71
5.1.2 广义RBF网络 73
5.1.3 RBF网络的生理学基础 73
5.1.4 RBF网络的数学基础 74
5.1.5 函数逼近与模式分类问题举例 76
5.2 径向基网络的学习算法 79
5.2.1 数据中心的确定 79
5.2.2 扩展常数的确定 80
5.2.3 输出权向量的确定 80
5.2.4 梯度下降法同时获取数据中心、扩展系数与权向量 81
5.3 径向基网络的特性分析 82
5.3.1 RBF神经网络的特点 82
5.3.2 RBF神经网络与BP神经网络的比较 82
5.3.3 RBF神经网络应用的关键问题 82
5.4 其他径向基网络 83
5.4.1 广义回归神经网络 83
5.4.2 概率神经网络 85
5.5 径向基网络的MATLAB仿真实例 87
5.5.1 RBF网络的MATLAB工具箱 87
5.5.2 仿真实例 88
思考题 91
第六章 反馈式神经网络 92
6.1 Elman神经网络 92
6.1.1 Elman神经网络的结构 92
6.1.2 Elman神经网络学习算法 93
6.1.3 Elman神经网络的应用 94
6.2 离散Hopfield神经网络 94
6.2.1 离散Hopfield神经网络的模型 94
6.2.2 离散Hopfield神经网络的运行规则 95
6.2.3 离散Hopfield神经网络的运行过程 95
6.3 连续Hopfield神经网络 100
6.3.1 连续Hopfield神经网络的网络模型 100
6.3.2 连续Hopfield神经网络的稳定性分析 102
6.4 Hopfield神经网络的应用 102
6.4.1 联想记忆 103
6.4.2 优化计算 104
6.5 反馈神经网络的MATLAB仿真实例 104
6.5.1 Elman神经网络的MATLAB实现 104
6.5.2 Hopfield神经网络的MATLAB实现 106
思考题 108
第七章 自组织竞争神经网络 110
7.1 模式分类的基本概念 110
7.1.1 分类与聚类 110
7.1.2 相似性测量 110
7.2 基本竞争型神经网络 111
7.2.1 基本竞争型神经网络结构 111
7.2.2 竞争学习策略 112
7.2.3 特性分析 117
7.3 自组织特征映射神经网络 117
7.3.1 SOM网的拓扑结构 117
7.3.2 SOM网的工作原理 117
7.3.3 SOM网的学习算法 118
7.3.4 SOM网的功能应用 121
7.4 自适应共振理论（ART）神经网络 122
7.4.1 ART模型 122
7.4.2 ART算法原理 123
7.5 学习向量量化（LVQ）神经网络 124
7.5.1 LVQ神经网络结构 124
7.5.2 LVQ神经网络的学习算法 124
7.6 对偶网络（CPN）神经网络 125
7.6.1 CPN神经网络结构 125
7.6.2 CPN神经网络的学习算法 125
7.7 自组织竞争网络的MATLAB仿真实例 126
7.7.1 重要的自组织网络函数 126
7.7.2 自组织网络应用举例 128
思考题 132
第八章 CMAC网络 133
8.1 CMAC网络工作原理 133
8.1.1 CMAC网络的生理学基础 133
8.1.2 CMAC网络的基本思想 133
8.2 CMAC模型结构 134
8.3 CMAC学习算法 135
8.4 CMAC网络的讨论 137
8.4.1 CMAC网络的特点 137
8.4.2 CMAC与BP神经网络的比较 137
8.4.3 CMAC与RBF神经网络的比较 138
思考题 139
第九章 模糊神经网络 140
9.1 模糊控制理论基础 140
9.1.1 模糊集合及其运算 140
9.1.2 模糊关系与模糊逻辑推理 141
9.1.3 模糊控制 142
9.2 模糊系统和神经网络的联系 145
9.2.1 模糊系统和神经网络的区别 145
9.2.2 模糊系统和神经网络的等价性 146
9.3 模糊系统与神经网络的融合 147
9.4 ANFIS 148
9.4.1 自适应网络 149
9.4.2 ANFIS的结构 149
9.4.3 ANFIS的学习算法 151
9.4.4 ANFIS的特点 152
9.5 模糊神经网络仿真实例 152
9.5.1 MATLAB模糊逻辑工具箱 152
9.5.2 仿真实例 153
9.5.3 倒立摆的模糊神经网络控制 156
思考题 159
第十章 神经网络的优化 160
10.1 神经网络的优化方法 160
10.1.1 网络结构的优化 160
10.1.2 训练算法的优化 160
10.2 基于遗传算法的神经网络优化 161
10.2.1 遗传算法 161
10.2.2 遗传算法优化神经网络的权值训练 164
10.2.3 遗传算法优化神经网络的网络结构 164
10.3 基于粒子群算法的神经网络优化 165
10.3.1 粒子群算法 165
10.3.2 粒子群算法优化神经网络的权值训练 167
10.4 基于混沌搜索算法的神经网络优化 168
10.4.1 混沌现象 168
10.4.2 混沌优化算法原理 170
10.4.3 混沌优化算法优化神经网络的权值训练 170
思考题 170
第十一章 深度神经网络 171
11.1 深度信念网络（DBNs） 171
11.1.1 基础知识 171
11.1.2 DBNs的结构 172
11.1.3 DBNs的特点 173
11.1.4 DBNs学习算法 174
11.1.5 DBNs的应用 175
11.2 卷积神经网络（CNNs） 178
11.2.1 基础知识 178
11.2.2 CNNs的结构 179
11.2.3 CNNs的特点 180
11.2.4 CNNs学习算法 180
11.2.5 CNNs的应用 181
11.3 深度神经网络的MATLAB仿真实例 182
11.3.1 DBNs的MATLAB工具箱 183
11.3.2 DBNs的仿真实例 183
11.3.3 CNNs的MATLAB工具箱 186
11.3.4 CNNs的仿真实例 187
思考题 189
第十二章 神经控制 190
12.1 控制理论的发展 190
12.2 智能控制 191
12.2.1 智能控制的产生 191
12.2.2 智能控制的分类 192
12.2.3 智能控制系统的组成 193
12.3 基于神经网络的辨识器 194
12.3.1 系统辨识的基本原理 194
12.3.2 神经网络系统辨识典型结构 196
12.4 基于神经网络的控制器 198
12.4.1 神经网络控制的基本思想 198
12.4.2 神经网络控制系统典型结构 198
思考题 203
参考文献 204