第1章 绪论 1
1.1 人工神经网络概述 1
1.1.1 神经网络模型 1
前言 1
1.1.2 神经网络的工作方式 4
1.1.3 神经网络的学习规则 4
1.1.4 神经网络的基本性质及应用 6
1.2 人工神经网络的发展趋势 7
1.3.1 神经网络与遗传算法的融合 8
1.3 人工神经网络与其他智能方法的融合 8
1.3.2 神经网络与灰色系统的融合 9
1.3.3 神经网络与专家系统的融合 10
1.3.4 神经网络与模糊技术的融合 10
1.3.5 神经网络与小波分析的融合 11
1.4 本章小结 11
第2章 前馈型神经网络 12
2.1 BP误差反向传播神经网络 12
2.1.1 BP神经元模型 13
2.1.2 BP学习算法 15
2.1.3 BP算法的限制与不足 18
2.1.4 对BP算法收敛速度的改进 19
2.2 RBF径向基函数神经网络 20
2.2.1 RBF神经网络的结构 20
2.2.2 RBF神经网络的映射关系 21
2.2.3 RBF网络训练的准则和常用算法 22
2.2.4 RBF神经网络和BP神经网络的比较 25
2.3.2 网络结构 26
2.3 CMAC小脑神经网络 26
2.3.1 CMAC概述 26
2.3.3 学习算法 28
2.3.4 工作原理 28
2.4 RBF神经网络在平面刚架结构损伤辨识中的应用 32
2.4.1 问题的描述 32
2.4.2 确定网络模型及网络训练 33
2.5 本章小结 34
3.1.1 离散型Hopfield神经网络模型 35
第3章 反馈型神经网络 35
3.1 Hopfield反馈神经网络 35
3.1.2 基于离散型的Hopfield神经网络的联想记忆 37
3.1.3 连续型Hopfield神经网络模型 37
3.1.4 Hopfield网络的特点 39
3.2 双向联想记忆BAM神经网络 39
3.2.1 BAM网络的结构和工作原理 39
3.2.2 BAM网络的稳定性 40
3.2.3 BAM网络的学习与回忆 41
3.3.1 用连续型Hopfield网络求解TSP 42
3.3 应用实例 42
3.3.2 网络参数讨论 43
3.4 本章小结 44
第4章 自组织型神经网络 46
4.1 Kohonen自组织映射神经网络 46
4.1.1 Kohonen自组织映射网络结构 46
4.1.2 Kohonen自组织映射算法 47
4.2 CPN对偶传播神经网络 48
4.2.2 运行过程 49
4.2.1 网络结构 49
4.2.3 学习过程 50
4.2.4 CPN网络的改进 51
4.3 自适应共振理论（ART） 51
4.3.1 ART网络模型 52
4.3.2 ART学习算法 53
4.3.3 ART-1学习算法 55
4.3.4 ART-2神经网络基本结构 56
4.4 应用实例 58
4.5 本章小结 59
第5章 量子神经网络 60
5.1 量子计算基础 61
5.2 量子神经元 62
5.2.1 量子神经元模型 62
5.2.2 量子神经元的非线性映射特性 62
5.3 几种量子神经网络模型 64
5.3.1 量子衍生神经网络 64
5.3.2 量子并行自组织映射模型 65
5.3.3 量子联想记忆模型 66
5.3.4 纠缠神经网络模型 67
5.4 本章小结 68
第6章 神经网络与遗传算法 69
6.1 遗传算法基本理论 69
6.1.1 遗传算法的定义及发展现状 69
6.1.2 遗传算法的基本思想 74
6.2.1 基本遗传算法的构成要素 76
6.2 基本遗传算法 76
6.2.2 基本遗传算法描述 78
6.3 压缩映射遗传算法 79
6.3.1 压缩映射原理 79
6.3.2 压缩映射遗传算法及其可行性与收敛性 80
6.4 神经网络与遗传算法的融合 82
6.4.1 神经网络与遗传算法融合的基础 82
6.4.2 面向神经网络权值和阈值学习的压缩映射遗传算法 84
6.5.2 遗传神经网络检测结果分析 87
6.5 遗传神经网络建立活性石灰生产线质量智能监控模型 87
6.5.1 建立遗传神经网络模型 87
6.6 本章小结 90
第7章 神经网络与灰色系统 91
7.1 灰色系统基本概念 91
7.1.1 灰色系统基本原理 91
7.1.2 灰色系统建模理论 91
7.1.3 神经网络与灰色系统结合初探 92
7.2 灰色神经网络建模 94
7.2.1 灰色神经网络模型基础 94
7.2.2 一维灰色神经网络优化模型GNNM(1,1) 95
7.2.3 多维灰色神经网络模型GNNM(1,N) 99
7.2.4 动态神经网络模型DNNM(1,4) 101
7.3 灰色RBF神经网络静态预测模型 103
7.3.1 灰色GM（0,N）模型分析 103
7.3.2 GRBF预测模型及应用实例 104
7.4.1 问题描述 107
7.4.2 建模过程 107
7.4 GNNM（1,N）建模方法在斜拉桥系统中的应用 107
7.5 本章小结 110
第8章 神经网络与专家系统 111
8.1 专家系统的基本结构 111
8.2 专家知识的表示、获取和推理 112
8.2.1 知识表示 112
8.2.2 知识获取 114
8.2.3 知识推理 115
8.3.1 神经网络与专家系统的比较 116
8.3 神经网络与专家系统的融合 116
8.3.2 专家系统与神经网络的融合方式 117
8.4 基于神经网络的专家系统的设计与实现 119
8.4.1 基于神经网络专家系统的边坡系统设计与实现 119
8.4.2 基于神经网络的泵送混凝土专家系统的设计与实现 123
8.5 本章小结 126
第9章 模糊神经网络 127
9.1 模糊理论基础 127
9.1.1 模糊概念与模糊集合 127
9.1.2 模糊推理 129
9.2 模糊神经网络基础 131
9.2.1 模糊神经网络理论概述 131
9.2.2 模糊神经元与模糊神经网络 132
9.2.3 模糊神经网络的研究现状与发展趋势 134
9.3 桥梁承载能力状态评估的模糊神经网络推理方法 136
9.3.1 模糊神经网络推理系统结构 136
9.3.2 模糊推理规则 137
9.3.3 模糊隶属度函数 138
9.3.4 实例分析 139
9.4 模糊神经网络与遗传算法的融合 140
9.4.1 FNN-GA基础 140
9.4.2 FNN-GA的染色体编码与解码 141
9.5 模糊推理技术与专家系统的融合 142
9.5.1 模糊专家系统 142
9.5.2 模糊专家系统的优缺点 145
9.6 本章小结 146
参考文献 147
附录 Matlab简介 152