圖書信息
出版社: 機械工業出版社; 第1版 (2010年9月1日)
平裝: 210頁
正文語種: 簡體中文
開本: 16
ISBN: 9787111312666, 711131266X
條形碼: 9787111312666
尺寸: 25.8 x 18.2 x 0.8 cm
重量: 340 g
內容簡介
《21世紀重點大學規劃教材?人工神經網絡原理》介紹了人工神經網路的基本理論，系統地闡述了六種典型的人工神經網路模型，即早期的感知機神經網路、自適應線性元件神經網路、誤差反向傳播神經網路、Hopfield神經網路、B0ltzmann機和自適應共振理論神經網路，以及它們的網路結構、學習算法、工作原理及套用實例，為讀者深入了解和研究人工神經網路奠定了基礎。
為了滿足讀者套用人工神經網路解決實際問題的需要，書中還介紹了人工神經網路套用開發設計的全過程，並在附錄中給出了BP神經網路實現預測、Hop6eld神經網路實現圖像自聯想記憶、模擬退火算法實現TSP和ARTI神經網路的源程式，供讀者參考。作為擴充知識，書中也簡單介紹了人工神經網路的實現，以及人工神經網路技術與傳統的基於規則的專家系統和模糊系統的融合。
目錄
出版說明
前言
第1章 緒論
1.1 人工神經網路的概念
1.2 人工神經網路的發展歷史
1.2.1 興起時期
1.2.2 蕭條時期
1.2.3 興盛時期
1.2.4 高潮時期
1.3 人工神經網路的特點
1.4 人工神經網路的信息處理能力
1.5 人工神經網路的功能
1.6 人工神經網路的套用
1.7 人工神經網路的主要研究方向
1.8 人工神經網路與人工智慧
1.9 人工神經網路與傳統計算
1.10 本章小結
1.11 習題
第2章 人工神經網路基礎
2.1 生物神經系統
2.1.1 生物神經元的結構
2.1.2 生物神經元的功能
2.2 人工神經元模型
2.2.1 人工神經元的形式化描述
2.2.2 轉移函式
2.3 M-P模型
2.3.1 標準M-P模型
2.3.2 延時M-P模型
2.3.3 改進的M-P模型
2.4 人工神經網路的互連結構
2.5 人工神經網路的學習
2.5.1 人工神經網路的學習方式
2.5.2 基本的神經網路學習規則
2.6 本章小結
2.7 習題
第3章 早期的自適應神經網路模型
3.1 感知機
3.1.1 感知機模型結構
3.1.2 感知機處理單元模型
3.1.3 感知機學習算法
3.1.4 感知機的局限性
3.1.5 感知機的收斂性
3.2 自適應線性元件
3.2.1 ADALINE模型結構
3.2.2 ADALINE學習算法
3.3 本章小結
3.4 習題
第4章 誤差反向傳播神經網路
4.1 誤差反向傳播神經網路的提出
4.2 誤差反向傳播神經網路結構
4.3 誤差反向傳播神經網路處理單元模型
4.4 誤差反向傳播學習算法
4.5 誤差反向傳播學習算法的數學基礎
4.6 誤差反向傳播學習算法的改進
4.6.1 BP算法存在的問題
4.6.2 累積誤差校正算法
4.6.3 Sigmoid函式輸出限幅的BP算法
4.6.4 增加動量項的BP算法
4.6.5 學習速率自適應調整算法
4.7 隱含層的特徵抽取作用
4.8 誤差反向傳播神經網路套用實例
4.8.1 BP神經網路的主要能力
4.8.2 BP神經網路在入侵檢測中的套用
4.8.3 BP神經網路在股票市場中的套用
4.9 本章小結
4.10 習題
第5章 Hopfield神經網路
5.1 離散型Hopfield神經網路
5.I.1 離散型Hopfield神經網路結構
5.1.2 離散型Hopfield神經網路處理單元模型
5.1.3 離散型Hopfi61d神經網路的狀態及運行規則
5.1.4 離散型Hopfield神經網路的能量函式
5.1.5 離散型Hopfield神經網路的連線權值設計
5.1.6 離散型Hopfield神經網路的信息存儲容量
5.2 連續型Hopfield神經網路
5.2.1 連續型Hopfield神經網路結構
5.2.2 連續型Hopfield神經網路處理單元模型
5.2.3 連續型Hopfield神經網路的狀態
5.2.4 連續型Hopfield神經網路的能量函式
5.3 Hopfield神經網路套用實例
5.3.1 離散型Hopfield神經網路套用實例
5.3.2 連續型Hopfield神經網路套用實例
5.4 本章小結
5.5 習題
第6章 Boltzmann機
6.1 隨機型神經網路的提出
6.2 Boltzmann機的網路結構
6.3 Boltzmann機處理單元模型
6.4 Boltzmann機的能量函式
6.5 Boltzmann機的Boltzmann分布
6.6 Boltzmann機的運行規則
6.6.1 模擬退火算法
6.6.2 網路運行規則
6.7 Boltzmann機的學習規則
6.7.1 自聯想記憶的學習規則
6.7.2 互聯想記憶的學習規則
6.8 模擬退火算法套用實例
6.9 本章小結
6.10 習題
第7章 自適應共振理論神經網路
7.1 自組織神經網路的提出
7.2 競爭學習
7.2.1 競爭學習的概念
7.2.2 競爭學習規則
7.3 自適應共振理論神經網路的提出及特點
7.4 ARTI神經網路
7.4.1 ARTI神經網路的結構
7.4.2 ARTI神經網路處理單元模型
7.4.3 ARTI神經網路的學習規則
7.4.4 ARTI神經網路特性分析
7.4.5 ARTI神經網路套用實例
7.5 ART2神經網路
7.5.1 ART2神經網路的結構
7.5.2 ART2神經網路處理單元模型
7.5.3 ART2神經網路的學習規則
7.5.4 ART2神經網路套用實例
7.6 本章小結
7.7 習題
第8章 人工神經網路套用的設計開發
8.1 人工神經網路套用的特點及適用範圍
8.2 人工神經網路的設計開發過程
8.3 人工神經網路模型的選取
8.4 人工神經網路模型的設計
8.4.1 節點級設計
8.4.2 網路級設計
8.4.3 訓練級設計
8.5 人工神經網路模型的實現
8.5.1 準備樣本數據
8.5.2 選取訓練樣本
8.5.3 網路訓練與測試
8.6 本章小結
8.7 習題
第9章 人工神經網路的實現
9.1 神經網路實現技術概述
9.1.1 神經網路實現的發展歷史
9.1.2 神經網路實現方案的分類
9.2 神經網路的虛擬實現
9.2.1 基於傳統計算機的軟體模擬
9.2.2 神經網路並行多機系統
9.2.3 神經計算加速器
9.3 神經網路的物理實現
9.3.1 神經網路的VLSI實現
9.3.2 神經網路的光學實現
9.3.3 神經網路的分子實現
9.4 本章小結
9.5 習題
第10章 人工神經網路的發展
10.1 神經網路與專家系統
10.1.1 基於規則的專家系統
10.1.2 神經網路與專家系統的比較
10.1.3 神經網路專家系統
10.2 神經網路與模糊系統
10.2.1 模糊系統
10.2.2 神經網路與模糊系統的比較
10.2.3 模糊神經網路
10.3 本章小結
附錄
附錄A 人工神經網路的主要研究工作
附錄B BP神經網路實現太陽黑子數量預測源程式
附錄C Hopfield神經網路實現圖像自聯想記憶源程式
附錄D 模擬退火算法實現TSP源程式
附錄E ART1神經網路源程式
參考文獻
