第一章 神经网路简介 1
1.1 缘起 2
1.2 神经元的模型 5
1.2.1 神经元的生物模型 6
1.2.2 神经元的运算模型 7
1.2.3 神经元的网路架构 13
1.3 神经网路的学习与回忆 15
1.3.1 学习期 16
1.3.2 回忆期 19
1.4 本书的架构 20
参考文献 22
第二章 层状认知网路 27
2.1 单层认知网路 28
2.1.1 认知器 31
2.1.2 适应线性元件 37
2.1.3 S-形函数的Adaline 41
2.1.4 高阶顺向神经网路 45
2.2 多层认知网路 49
2.2.1 Madaline法则I 51
2.2.2 Madaline法则II 54
2.2.3 回传算法 56
2.3 回传神经网路分析 64
2.3.1 函数近似理论 67
2.3.2 回传神经网路问题的探讨 69
2.3.3 回传神经网路的反置 72
参考文献 76
第三章 竞争学习神经网 81
3.1 相似性量测 82
3.2 简易竞争学习 87
3.3 Hamming神经网路 91
3.4 群聚分析 96
3.4.1 K-means演算法 97
3.4.2 模糊K-means演算法 101
3.5 适应向量量化 104
3.5.1 良心机构 109
3.5.2 学习向量量化 111
3.6 自我组织特征映射 112
3.6.1 Kohonen学习法则 115
3.6.2 Kohonen学习法则的改良 122
参考文献 130
第四章 适应共振理论 135
4.1 ART神经网路设计 137
4.1.1 ART的设计原理 138
4.1.2 ART的网路架构 139
4.1.3 ART系统运作 143
4.2 ART1模型 145
4.2.1 特征侦测区之STM动态 147
4.2.2 取向子系统之重置 151
4.2.3 接收区之STM动态 153
4.2.4 长期记忆体之学习 154
4.2.5 ART1学习法则 157
4.2.6 ART1之搜寻顺序 161
4.3 ART2模型 166
4.3.1 特征侦测区之STM动态 167
4.3.2 接收区之STM动态 169
4.3.3 长期记忆体之学习 169
4.3.4 取向子系统之重置 170
4.3.5 ART2学习法则 173
4.4 ART2-A模型 175
4.4.1 前置处理区之STM动态 177
4.4.2 特征侦测区之STM动态 178
4.4.3 接收区之STM动态 179
4.4.4 取向子系统之重置 179
4.4.5 长期记忆体之学习 181
4.4.6 ART2-A学习法则 183
参考文献 186
第五章 联想记忆 189
5.1 线性联想记忆 190
5.1.1 虚拟反置矩阵 193
5.1.2 最佳线性联想记忆 194
5.2 非线性联想记忆 195
5.2.1 临界值元件 196
5.2.2 学习矩阵 198
5.3 动态系统的稳定性分析 200
5.3.1 稳定性分析的数学基础 200
5.3.2 稳定性定义 202
5.3.3 Lyapunov稳定性定理 205
5.4 Hopfield网路 209
5.4.1 离散Hopfield网路 209
5.4.2 连续Hopfield网路 218
5.4.3 Cohen-Grossberg自联想模式 220
5.5 双向联想记忆 222
5.5.1 离散BAM网路 224
5.5.2 连续BAM网路 230
5.5.3 适应BAM网路 231
5.5.4 竞争适应BAM网路 235
5.5.5 微分Hebbian适应BAM网路 237
5.6 高阶联想记忆 239
5.6.1 高阶Hopfield网路 239
5.6.2 二阶BAM网路 242
5.6.3 二阶ABAM网路 243
参考文献 245
第六章 混合式神经网路 249
6.1 Instar-Outstar映像网路 251
6.1.1 输入区之神经元动态 253
6.1.2 竞争区之神经元动态 256
6.1.3 Instar学习法则 260
6.1.4 Outstar架构 262
6.2 相对传递网路 266
6.3 放射状基础函数网路 271
6.4 ARTMAP网路 274
6.4.1 映像区之STM动态 275
6.4.2 映射区之重置与匹配追踪 278
6.4.3 映射区键结值之学习 280
参考文献 283
中文索引 285
英文索引 303