《人工神经网络》求取 ⇩

第一章 绪论1

1.1 引言1

1.2 从人脑神经元到人工神经元4

1.3 人工神经网络研究的发展简史7

1.4 人工神经网络构成的基本原理10

1.5 人工神经网络的基本功能20

1.6 人工神经网络的研究内容及其前景23

参考文献25

2.1 概述26

第二章 前向多层人工神经网络26

2.2 采用硬限幅函数时单个神经元的分类功能31

2.3 采用线性函数时单个神经元的最小二乘(LMS)分类学习算法36

2.4 采用硬限幅函数的前向多层神经网络和采用线性函数的前向多层神经网络46

2.5 采用S形函数的前向多层神经网络及其逆推学习算法54

2.6 按照逆推学习算法进行训练时的模拟试验实例63

2.7 前向多层神经网络的实际应用70

2.8 结束语89

参考文献89

3.1 概述91

第三章 Hopfield人工神经网络91

3.2 Hopfield 人工神经网络电路模型及其能量函数92

3.3 Hopfield人工神经网络用于求解TSP98

3.4 对Hopfield求解TSP工作的评价106

3.5 Tank 与Hopfield人工神经网络A/D变换器110

3.6 Hopfield 人工神经网络用于求解线性规划问题115

3.7 Hopfield人工神经网络用于求解货流问题119

3.8 Hopfield 人工神经网络用于联想记忆125

3.9 稳定性与吸引子129

3.10 异联想记忆(双向联想记忆)141

3.11 用高阶关联神经元函数构成的Hopfield网络146

3.12 结束语150

参考文献151

第四章 按照自适应谐振理论(ART)构成的自组织神经网络153

4.1 概述153

4.2 竞争学习机制和自稳学习机制155

4.3 ART-1 神经网络162

4.4 ART-2神经网络168

4.5 ART神经网络的识别、补充和撤销功能及其在图形识别、语音识别及语音生成中的应用184

4.6 ART-3神经网络206

4.7 结束语222

参考文献223

第五章 自组织特征映射与联想记忆225

5.1 概述225

5.2 单神经元的自组织特征映射学习算法239

5.3 具有确定“侧反馈”特性时多神经元阵列的自组织特征映射249

5.4 自组织学习能够产生有序特征映射的证明266

5.5 自组织特征映射人工神经网络与模式识别和矢量量化(VQ)的联系277

5.6 应用举例--神经网络语音打字机280

5.7 结束语286

参考文献287

第六章 波尔兹曼机(BM)289

6.1 概述289

6.2 波尔兹曼机的基本原理：搜索机制及模拟退火的应用292

6.3 BM神经网络的学习算法299

6.4 波尔兹曼机的模拟实验研究310

6.5 部分损伤对BM神经网络的影响及再学习319

6.6 BM神经网络应用举例--在语音识别中的应用326

6.7 结束语334

参考文献335

7.1 概述336

第七章 用统计方法研究Hopfield神经网络的记忆容量336

7.2 Hopfield神经网络的一些基本定义和算法337

7.3 容量计算的准备定理340

7.4 Hopfield神经网络在同步情况下的运行错误概率344

7.5 Hopfield神经网络在同步运行情况下的容量348

7.6 Hopfield神经网络在非同步运行情况下的容量353

7.7 结束语358

参考文献359

8.1 概述361

第八章 人工神经网络的实现361

8.2 模拟VLSI人工神经网络电路364

8.3 利用数字系统实现人工神经网络的一般方法375

8.4 利用Transputer实现人工神经网络378

8.5 利用Systalic阵列实现人工神经网络383

8.6 利用光学器件实现人工神经网络389

8.7 结束语393

参考文献396

索引399