第1章 概述 1
1.1 人工神经网络概念的提出 1
1.2 神经细胞以及人工神经元的组成 2
1.3 人工神经网络应用领域 4
1.4 人工神经网络发展的回顾 5
1.5 人工神经网络的基本结构与模型 7
1.5.1 人工神经元的模型 8
1.5.2 激活转移函数 8
1.5.3 单层神经元网络模型结构 11
1.5.4 多层神经网络 12
1.5.5 递归神经网络 14
1.6 用MATLAB计算人工神经网络输出 15
1.7 本章小结 18
习题 19
第2章 前向神经网络 20
2.1 感知器 20
2.1.1 感知器的网络结构 21
2.1.2 感知器的图形解释 22
2.1.3 感知器的学习规则 23
2.1.4 网络的训练 25
2.1.5 感知器的局限性 33
2.1.6 “异或”问题 36
2.1.7 解决线性可分性限制的办法 39
2.1.8 本节小结 40
2.2 自适应线性元件 40
2.2.1 自适应线性神经元模型和结构 40
2.2.2 W-H学习规则 41
2.2.3 网络训练 42
2.2.4 例题与分析 44
2.2.5 对比与分析 55
2.2.6 单步延时线及其自适应滤波器的实现 56
2.2.7 自适应线性网络的应用 59
2.2.8 本节小结 63
2.3 反向传播网络 63
2.3.1 BP网络模型与结构 64
2.3.2 BP学习规则 65
2.3.3 BP网络的训练及其设计过程 67
2.3.4 BP网络的设计 72
2.3.5 限制与不足 82
2.3.6 反向传播法的改进方法 84
2.3.7 基于数值优化方法的网络训练算法 92
2.3.8 数值实例对比 95
2.3.9 本节小结 100
习题 100
第3章 递归神经网络 102
3.1 各种递归神经网络 102
3.1.1 全局反馈型递归神经网络 104
3.1.2 前向递归神经网络 106
3.1.3 混合型网络 115
3.1.4 本节小结 116
3.2 全局反馈递归网络 118
3.2.1 霍普菲尔德网络模型 119
3.2.2 状态轨迹 120
3.2.3 离散型霍普菲尔德网络 123
3.2.4 连续型霍普菲尔德网络 139
3.2.5 本节小结 158
3.3 Elman网络 160
3.3.1 网络结构及其输入输出关系式 161
3.3.2 修正网络权值的学习算法 162
3.3.3 稳定性推导 164
3.3.4 对稳定性结论的分析 165
3.3.5 对角递归网络稳定时学习速率的确定 167
3.3.6 本节小结 168
3.4 对角递归神经网络 169
3.4.1 网络结构及其输入输出关系式 169
3.4.2 网络的稳定性分析 171
3.4.3 进一步的讨论 176
3.4.4 数值实例 178
3.4.5 本节小结 181
3.5 局部递归神经网络 181
3.5.1 PIDNNC的设计 182
3.5.2 闭环控制系统稳定性分析 185
3.5.3 实时在线控制策略的设计步骤 187
3.5.4 数值应用 188
3.5.5 本节小结 189
习题 189
第4章 局部连接神经网络 191
4.1 径向基函数网络 191
4.1.1 径向基函数及其网络分析 191
4.1.2 网络的训练与设计 193
4.1.3 广义径向基函数网络 195
4.1.4 数字应用对比及性能分析 196
4.1.5 本节小结 197
4.2 B样条基函数及其网络 198
4.3 CMAC神经网络 200
4.3.1 CMAC网络基本结构 200
4.3.2 CMAC的学习算法 201
4.4 局部神经网络的性能对比分析 201
4.4.1 CMAC、B样条和RBF共有的结构特点 202
4.4.2 CMAC、B样条和RBF的不同之处 203
4.5 K型局部连接神经网络 205
4.5.1 网络结构与权值修正法 205
4.5.2 网络特性分析 207
4.5.3 数字应用对比及性能分析 208
4.5.4 本节小结 211
习题 211
第5章 自组织竞争神经网络 212
5.1 几种联想学习规则 212
5.1.1 内星学习规则 213
5.1.2 外星学习规则 216
5.1.3 科荷伦学习规则 218
5.2 自组织竞争网络 219
5.2.1 网络结构 219
5.2.2 竞争学习规则 221
5.2.3 竞争网络的训练过程 222
5.3 科荷伦自组织映射网络 225
5.3.1 科荷伦网络拓扑结构 226
5.3.2 网络的训练过程 228
5.4 自适应共振理论 236
5.4.1 ART-1网络结构 237
5.4.2 ART-1的运行过程 239
5.4.3 ART-2神经网络 245
5.5 本章小结 252
习题 252
第6章 随机神经网络 254
6.1 概述 254
6.1.1 随机神经网络的发展 254
6.1.2 GNN模型描述 255
6.1.3 RNN的学习算法 256
6.1.4 RNN的应用 258
6.1.5 其他随机网络 260
6.1.6 研究前景 262
6.2 用Boltzmann机求解典型NP优化问题TSP 263
6.2.1 Boltzmann机网络模型及其权值修正规则 263
6.2.2 用Boltzmann机网络解TSP 266
6.2.3 Boltzmann机与Hopfield网络解TSP的对比 268
6.2.4 本节小结 271
6.3 随机神经网络算法改进及其应用 271
6.3.1 DRNN解TSP的参数推导和改进方法 272
6.3.2 DRNN网络解TSP改进方法的实验对比 275
6.3.3 本节小结 276
6.4 采用DRNN网络优化求解的对比研究 276
6.4.1 DRNN与Hopfield网络求解TSP的理论分析 276
6.4.2 DRNN与Hopfield网络解TSP的实验对比 280
6.4.3 本节小结 282
习题 282
第7章 面向工具箱的神经网络实际应用 283
7.1 综述 283
7.1.1 神经网络技术的选用 283
7.1.2 神经网络各种模型的应用范围 284
7.1.3 网络设计的基本原则 285
7.2 神经网络在控制系统中的应用 286
7.2.1 反馈线性化 287
7.2.2 问题的提出 288
7.2.3 神经网络设计 288
7.3 利用神经网络进行字母的模式识别 293
7.3.1 问题的阐述 294
7.3.2 神经网络的设计 295
7.4 用于字符识别的三种人工神经网络的性能对比 300
7.4.1 用于字母识别的感知器网络 300
7.4.2 用于字母识别的霍普菲尔德网络 301
7.4.3 字母识别实验及其结果分析 302
附录A MATLAB 7.1神经网络工具箱4.0.6函数一览表 306
附录B 程序目录 313
参考文献 316