1 绪论 1
1.1 神经网络的发展历史 1
1.2 神经网络与人工智能计算机 3
1.3 神经网络的研究内容与研究方法 5
2 神经网络的生物基础 8
2.1 神经网络的生理基础 8
2.1.1 神经元的结构和功能 8
2.1.2 神经元的基本特征和作用原理 10
2.1.3 神经元的抽象模型 11
2.2 神经网络的基本特征 14
3 神经网络Lyapunov能量函数的建立 17
3.1 神经网络动力学系统的描述 17
3.1.1 系统和系统模型 17
3.1.2 平衡状态和扰动方程 20
3.2 Lyapunov稳定理论及应用 21
3.2.1 Lyapunov方法 21
3.2.2 Lyapunov理论在线性系统中的应用 24
3.2.3 Lyapunov方法在非线性系统中的应用 28
3.3 Lyapunov函数的构造方法 29
3.3.1 克拉索夫斯基方法 29
3.3.2 变量梯度法 31
3.4 神经网络中Lyapunov函数的构造举例 33
4 神经网络基本模型 37
4.1 神经网络的基础理论 37
4.1.1 MP模型 37
4.1.2 延时与改进的MP模型 38
4.1.3 Hebb学习规则 39
4.1.4 作为梯度下降方法的Delta规则 40
4.2 前向神经网络 41
4.2.1 祖母细胞 41
4.2.2 自适应线性元件（ACALINE） 42
4.2.3 BP算法 46
4.3 后向反馈神经网络 51
4.3.1 Grossberg学习规则 51
4.3.2 Kohonen模型 54
4.3.3 Hopfield模型 58
5 BP算法及其应用 62
5.1 BP算法 62
5.1.1 BP算法 62
5.1.2 BP算法的应用 67
5.2 改进的BP算法（Ⅰ） 70
5.2.1 改进的BP算法 70
5.2.2 改进的BP算法用于手写数字识别 73
5.2.3 改进的BP网络讨论 77
5.3 改进的BP算法（Ⅱ） 80
5.3.1 学习算法 80
5.3.2 算法实际应用举例 83
5.4 改进的BP算法（Ⅲ） 87
5.4.1 前推选择算法 88
5.4.2 在控制系统故障诊断中的应用 89
6 神经网络理论应用 92
6.1 多资源均衡问题的神经网络方法 92
6.1.1 原理 92
6.1.2 设计举例 96
6.2 VLSI单元布局优化问题 97
6.2.1 神经网络实现VLSI布局设计优化的基本思想 98
6.2.2 VLSI设计布局优化的神经网络算法 99
6.2.3 关于VLSI单元布局优化算法的实现 103
6.3 五位A/D转换器 108
7 神经网络应用开发方法学与神经网络计算机 116
7.1 神经网络应用开发方法学的目标与概念 116
7.1.1 开发方法学的目标 116
7.1.2 开发方法学的概念 117
7.2 神经网络的设计方法 121
7.2.1 节点级设计 121
7.2.2 网络级设计 122
7.2.3 训练级设计 124
7.3 神经网络的实现与维护 126
7.3.1 实现阶段 126
7.3.2 维护阶段 130
7.4 神经网络计算机 132
7.4.1 神经网络计算机的实现 132
7.4.2 直接基于硬件的神经网络计算机的实现 133
7.4.3 基于现代数字计算机的神经网络计算机的实现 134
8 细胞神经网络理论 139
8.1 细胞神经网络的理论基础 139
8.2 细胞神经网络理论 140
8.2.1 细胞神经网络的网状结构 140
8.2.2 细胞神经网络的动态范围 143
8.2.3 细胞神经网络的稳定性 145
8.2.4 多层细胞神经网络 148
8.3 单细胞电路的硬件实现 150
8.3.1 硬件电路实现 150
8.3.2 测试结果及分析 153
8.4 神经网络Hopfield模型与细胞神经网络的比较 154
9 细胞神经网络理论应用 156
9.1 细胞神经网络应用于图像处理 156
9.2 细胞神经网络应用于图像处理实例 159
9.3 连通片检测器的计算机模拟 161
9.4 连通片检测器的硬件实现 163
9.5 字符识别的计算机模拟 164
参考文献 168