內容提要
本書較系統全面地討論了人工神經網路與模擬進化計算的理論和工程套用，特別在學習理論和網路結構選擇、動態神經網路、貝葉斯方法的套用以及模擬進化計算中的一些理論問題等方面的論述更為系統深入。講解中力求講清物理概念，以便讀者深入理解一些主要方法的思路。第2版加強了關於統計學習理論、核方法與支持向量機、自組織網路的靈活套用，盲信號處理等方面的內容;增加了神經網路在生物信息學和金融方面套用的實例，以及最近的一些參考文獻，以便反映這一領域的新進展;為了便於掌握主要內容，對章節順序也做了調整,模擬進化計算部分增加了分布估計算法一章。
本書適合用作研究生課程教材，或作為希望深入學習神經網路和進化計算的科技工作者的自學參考書。
作者簡介
閻平凡，清華大學自動化系教授，博士生導師。1955年畢業於清華大學電機系。著有《神經網路與模糊控制》、翻譯《神經網路理論》（譯自俄文），發表學術論文50餘篇。目錄
第1章緒論11.1神經網路的發展與套用11.2人工神經元模型2
1.3用有向圖表示神經網路4
1.4網路結構及工作方式5
1.5NN的學習7
1.5.1學習方式7
1.5.2學習算法7
1.5.3學習與自適應9
習題9
參考文獻10
第2章前饋網路11
2.1線性閾值單元11
2.1.1用線性閾值單元實現布爾函式11
2.1.2線性可分性12
2.1.3n維歐氏空間中m個點上可實現的線性可分函式的個數13
2.2多層前饋網路的計算能力及函式逼近15
2.3感知器的學習算法17
2.4反向傳播學習算法19
