第一章 神经网络基础概论 1
§1.1 神经网络理论形成的科学背景 1
§1.2 神经网络理论的发展历史与趋势 2
1.2.1 早期阶段 2
1.2.2 20世纪70年代的过渡期 3
1.2.3 20世纪80年代的高潮期 3
1.2.4 目前的研究状况和方向 4
1.3.1 神经网络的生物学基础 5
§1.3 人工神经网络的生物学基础和人工神经元模型 5
1.3.2 人工神经元模型 6
§1.4 神经网络模型的定义和结构 7
1.4.1 神经网络模型的定义 7
1.4.2 神经网络模型的结构 8
§1.5 人工神经网络计算和传统计算的特点比较 9
§1.6 神经网络的学习规则与实现 9
1.6.1 神经网络的学习规则 9
1.6.2 神经网络的实现 11
§1.7 神经网络的应用领域 12
§2.1 感知器 14
2.1.1 单层感知器的网络结构 14
第二章 前馈神经网络 14
2.1.2 单层感知器的表征能力与线性可分性 15
2.1.3 感知器的学习算法 17
§2.2 前馈型BP神经网络 18
2.2.1 BP网络的结构 18
2.2.2 BP网络的分类能力 19
2.3.1 误差反向传播学习算法（EBP） 21
§2.3 BP网络的学习算法 21
2.3.2 EBP算法的缺点与改进 24
2.3.3 模拟退火算法 25
2.3.4 遗传算法 26
§2.4 前馈型多层网络的映射能力与逼近能力 28
2.4.1 前馈网络的映射能力 28
2.4.2 前馈网络的逼近能力 30
§2.5 BP网络的设计讨论 30
2.6.1 EBP学习算法实现异或分类的C＋＋语言程序 32
§2.6 BP学习算法的VC＋＋语言编程及有关结果 32
2.6.2 运行结果 39
§2.7 BP神经网络小结 40
§2.8 径向基函数（RBF）神经网络 41
2.8.1 RBF神经网络的生物学背景与结构 41
2.8.2 RBF网络的学习算法 43
§2.9 小波神经网络 45
2.9.2 小波神经网络的结构 46
2.9.1 小波函数的定义 46
2.9.3 小波神经网络的优点和学习算法 47
§2.10 小脑模型神经网络 48
2.10.1 CMAC网络的结构 48
2.10.2 CMAC网络的学习算法 50
§2.11 FLAT神经网络 50
2.11.1 FLAT神经网络的结构 50
2.11.2 FLAT神经网络的学习算法 51
§2.12 用径向基函数神经网络实现EEG信号的预测 52
2.12.1 预测原理及其模型 52
2.12.2 RBF网络径向基函数的改进 53
2.12.3 数据处理结果及讨论 54
第三章 反馈神经网络 57
§3.1 概述 57
§3.2 离散Hopfield神经网络 58
3.2.1 网络的结构及工作方式 58
3.2.2 网络的能量函数与稳定性分析 59
3.2.3 网络的联想记忆和记忆容量 61
§3.3 连续Hopfield神经网络 63
3.3.1 网络的拓扑结构 64
3.3.2 CHNN的能量函数与稳定性分析 65
§3.4 连续Hopfield网络用于组合优化问题的求解 66
3.4.1 基于连续Hopfield网络求解TSP问题 66
3.4.2 算法的具体实现及计算结果 70
3.4.3 基于Hopfield网络的A/D转换器 72
§3.5 Hopfield神经网络运行的C语言程序 73
§3.6 随机神经网络 81
3.6.1 Boltzman机 81
§3.7 递归神经网络 84
§4.1 概述 86
第四章 自组织神经网络 86
§4.2 自组织竞争型神经网络 87
4.2.1 基本竞争型神经网络及其学习规则 88
4.2.2 抑制竞争型神经网络及其学习规则 89
§4.3 自适应共振理论神经网络 91
4.3.1 ART神经网络的主要优点 91
4.3.2 ART-1的基本原理 92
4.3.3 ART-1神经网络的学习算法 95
4.3.4 ART-2神经网络 99
4.3.5 ART-2神经网络小结 103
§4.4 Kohonen自组织特征映射网络及其学习算法 104
4.4.1 SOFM网络结构 105
4.4.2 Kohonen自组织映射算法 106
4.4.3 学习速率函数和连接权初值确定问题的讨论 106
4.4.4 实例 108
§4.5 SOMF神经网络模拟概率分布的C＋＋语言程序 111
第五章 混沌神经网络及其混沌控制 117
§5.1 混沌神经网络研究的历史与现状 117
5.2.1 互联混沌神经网络 118
§5.2 混沌神经网络模型及其动力学特征 118
5.2.2 自组织映射混沌神经网络 119
5.2.3 离散混沌神经网络模型 121
§5.3 混沌神经网络中的混沌行为控制 125
§5.4 混沌神经网络在优化计算中的应用 126
§5.5 混沌神经网络在动态关联存储方面的应用 128
§5.6 前馈型神经网络用于混沌控制 129
5.6.1 控制方法 129
5.6.2 数值模拟 130
5.6.3 控制机理的进一步讨论 133
§5.7 神经网络特征的归纳和总结 134
第六章 基于神经网络的系统辨识 135
§6.1 系统辨识的基本概念和内容 135
6.1.1 系统辨识的定义 135
6.1.2 线性系统的辨识方法 136
6.1.3 系统辨识的内容 136
6.1.4 实际辨识中要考虑的几个关键问题 137
6.1.5 非线性系统的特点及其辨识方法 137
§6.2 基于神经网络的系统辨识 138
6.2.1 基于神经网络辨识的特点 139
6.2.2 几种典型的非线性模型与结构 140
6.2.3 基于神经网络辨识的条件和结构 141
6.2.4 基于神经网络的两种主要模型的辨识结构 142
§6.3 基于神经网络的逆动力学系统的辨识 143
6.3.1 非线性系统的可逆性 143
6.3.2 逆系统建模方法 144
§6.4 基于BP网络的系统辨识与实例 145
6.4.1 基于BP网络的系统辨识算法 145
6.4.2 基于BP网络系统辨识的实例 146
第七章 神经网络与自动控制 149
§7.1 概述 149
§7.2 神经网络控制的发展及其用于控制的优越性 149
7.2.1 神经网络控制的发展 149
7.2.2 神经网络用于控制的优越性 150
§7.3 线性系统的神经网络控制 150
7.3.1 反馈的两种基本形式 150
7.3.2 神经网络观测器的实现方法 154
7.4.1 概述 155
§7.4 神经网络自适应控制 155
7.4.2 自适应控制的基本概念与结构 156
7.4.3 神经网络直接自适应控制 157
7.4.4 神经网络模型参考自适应控制 158
7.4.5 神经网络自校正控制 161
§7.5 神经网络非线性预测控制 163
7.5.1 神经网络预测控制的一般结构与算法 163
7.5.2 神经网络预测器的几种方案 165
7.6.2 模糊控制的特点与组成 166
7.6.1 模糊控制的基本思想 166
§7.6 神经网络模糊控制 166
7.6.3 反模糊化 168
7.6.4 模糊控制的优点和需要解决的问题 169
7.6.5 神经网络与模糊控制系统 169
7.6.6 神经网络在模糊控制中的应用 170
参考文献 173
附录1 用四阶龙格—库塔算法求解Lorenz系统的C语言程序 175
附录2 时间序列快速傅立叶变换（FFT）的C语言程序 177