目录 1
第一章绪 论 1
§1.1当代信息高科技热点——神经网络 1
§1.2人类自身的探索 3
§1.3神经网络的发展历史 5
§1.4冯·诺依曼机的局限性 11
§1.5脑神经信息活动的特征 16
§1.6神经网络的多学科性 18
1.6.1神经生理科学 19
1.6.2认知科学 20
1.6.3数理科学 20
1.6.4信息论与计算机科学 21
§1.7今后的研究发展趋势 23
篇二章脑神经系统信息处理 27
§2.1大脑研究——90年代的挑战 27
2.1.1脑与神经计算机 27
2.1.2神经网络的研究途径 28
2.2.1 生物与信息处理 30
§2.2大脑信息处理基础 30
2.2.2神经元与长枪乌贼 32
2.2.3 获得诺贝尔奖的神经方程式 40
2.2.4神经元与信息 43
2.2.5从神经元到神经网络、大脑 45
§2.3大脑模型 48
2.3.1 大脑的模型化研究方法 48
2.3.2神经网络模型 50
2.3.3 神经网络的动态特性 55
§2.4混沌神经网络 59
2.4.1 动力学系统的吸引子与分岔 59
2.4.2 混沌 61
2.4.3脑神经系统与混沌 65
2.4.4混沌神经元模型与混沌神经网络 67
§2.5免疫网络 73
2.5.1 免疫系统与生物计算机 73
2.5.2免疫系统概述 74
2.5.3免疫系统的记忆作用 75
2.5.4 免疫网络与处理元件 76
2.5.5 免疫网络的相互作用 76
2.5.6免疫网络的并行分布体系结构 77
第三章神经网络的计算机理 79
§3.1脑神经信息处理机制 79
§3.2传统并行算法 82
§3.3计算复杂性 86
§3.4 TSP的经典解法 94
§3.5 集体计算与连接主义 104
§3.6 简单人工神经元模型 106
3.6.1 M-P神经元模型 106
3.6.2连续的神经元模型 107
3.6.3输出脉冲频度模型 109
§3.7 感知机模型 111
§3.8 Hopfield网络模型 116
§3.9 用神经网络方法求解TSP 121
§3.10 Boltzmann机模型 128
§3.11 随机神经网络模型 131
第四章神经网络的学习机理 134
§4.1人工神经网络的学习功能 134
§4.2误差修正型学习 135
4.2.1 感知机的学习 136
4.2.2 Adaline/Madaline的学习 141
4.2.3 BP网络的学习 146
4.2.4盒中脑状态网络的学习 157
§ 4.3随机型学习 160
4.3.1 Boltzmann机的学习 161
4.3.2 Cauchy机的学习 168
§4.4赫布型学习 170
4.4.1 线性联想记忆网络的学习 172
4.4.2最优线性联想记忆网络的学习 175
4.4.3 稀疏分布式记忆网络的学习 177
4.4.4 模糊联想记忆网络的学习 179
4.4.5 离散自相关器网络的学习 182
4.4.6 离散双向联想记忆网络的学习 185
4.4.7 自适应双向联想记忆网络的学习 190
4.4.8 时间联想记忆网络的学习 192
4.4.9 雪崩匹配滤波器网络的学习 196
4.4.10模糊认知映射网络的学习 199
§4.5竞争型学习 200
4.5.1 学习矩阵网络的学习 202
4.5.2 加性Grossberg网络的学习 203
4.5.3乘性Grossberg网络的学习 205
4.5.4二值自适应共振理论网络的学习 206
4.5.5 自组织特征映射网络的学习 212
4.5.6对向传播网络的学习 216
4.5.7认知机的学习 220
第五章神经计算机的基本概念 225
§5.1神经计算机的基本特征 225
§5.2拓扑结构分析 227
5.2.1 基本定义 227
5.2.2 网络互连类型 229
5.3.1软件模拟与全硬件实现 239
§5.3体系结构的考虑 239
5.3.2模拟式与数字式 242
5.3.3并行粒度 244
§5.4 联想存储 245
§5.5 神经计算机的模拟实现 248
§5.6 Transputer与多处理器系统 253
5.6.1 Transputer的并行处理功能 253
5.6.2多处理机系统 257
§5.7 神经计算机的电子器件实现 261
§5.8 神经计算机的光处理器实现 266
§5.9 未来的分子处理器实现方法 270
§5.10神经计算机的前景 273
第六章神经网络的应用 275
§6.1神经网络在模式识别中的应用 275
6.1.1 手写体签字证实系统 276
6.1.2天气预报系统 279
6.1.3 图象边缘检测 284
6.1.4图象数据压缩 286
6.1.5 NETtalk 290
6.1.6 音节的识别 294
6.1.7连续语音识别 296
§6.2神经网络在认知科学和人工智能中的应用 298
6.2.1数据库回想 299
6.2.2 Schemata的实现 302
6.2.3行动控制 307
6.2.4 专家系统 311
§6.3神经网络在最优化问题中的应用 317
6.3.1 图象的半色调化 318
6.3.2 图象恢复 320
6.3.3几个最优化问题对应的计算能量函数 324
第七章神经网络中的若干数学方法 333
§7.1矩阵与矢量空间 333
7.1.1矢量运算 333
7.1.2 矩阵运算 337
7.1.3特征值与特征矢量 341
7.2.1概率论基本公式 346
§7.2概率论基础 346
7.2.2 随机过程 347
§7.3组合论的基本法则 349
7.3.1 排列与组合 349
7.3.2 区组设计 350
§7.4信息与编码 353
7.4.1 信息论的基本概念 353
7.4.2 编码方法 357
7.5.1 单层神经网络 362
§7.5神经网络的统计分析 362
7.5.2 完全随机型网络映射的稳定性 363
7.5.3联想映射的稳定性 366
§7.6 Lyapunov稳定性判据 368
7.6.1稳定性定义 368
7.6.2李雅普诺夫直接方法 370
附录C—TSP（中国旅行商问题） 375
英汉名词对照表 377
参考文献 383