《神经网络与神经计算机原理·应用》求取 ⇩

目录1

第一章绪 论1

§1.1当代信息高科技热点——神经网络1

§1.2人类自身的探索3

§1.3神经网络的发展历史5

§1.4冯·诺依曼机的局限性11

§1.5脑神经信息活动的特征16

§1.6神经网络的多学科性18

1.6.1神经生理科学19

1.6.2认知科学20

1.6.3数理科学20

1.6.4信息论与计算机科学21

§1.7今后的研究发展趋势23

篇二章脑神经系统信息处理27

§2.1大脑研究——90年代的挑战27

2.1.1脑与神经计算机27

2.1.2神经网络的研究途径28

2.2.1 生物与信息处理30

§2.2大脑信息处理基础30

2.2.2神经元与长枪乌贼32

2.2.3 获得诺贝尔奖的神经方程式40

2.2.4神经元与信息43

2.2.5从神经元到神经网络、大脑45

§2.3大脑模型48

2.3.1 大脑的模型化研究方法48

2.3.2神经网络模型50

2.3.3 神经网络的动态特性55

§2.4混沌神经网络59

2.4.1 动力学系统的吸引子与分岔59

2.4.2 混沌61

2.4.3脑神经系统与混沌65

2.4.4混沌神经元模型与混沌神经网络67

§2.5免疫网络73

2.5.1 免疫系统与生物计算机73

2.5.2免疫系统概述74

2.5.3免疫系统的记忆作用75

2.5.4 免疫网络与处理元件76

2.5.5 免疫网络的相互作用76

2.5.6免疫网络的并行分布体系结构77

第三章神经网络的计算机理79

§3.1脑神经信息处理机制79

§3.2传统并行算法82

§3.3计算复杂性86

§3.4 TSP的经典解法94

§3.5 集体计算与连接主义104

§3.6 简单人工神经元模型106

3.6.1 M-P神经元模型106

3.6.2连续的神经元模型107

3.6.3输出脉冲频度模型109

§3.7 感知机模型111

§3.8 Hopfield网络模型116

§3.9 用神经网络方法求解TSP121

§3.10 Boltzmann机模型128

§3.11 随机神经网络模型131

第四章神经网络的学习机理134

§4.1人工神经网络的学习功能134

§4.2误差修正型学习135

4.2.1 感知机的学习136

4.2.2 Adaline/Madaline的学习141

4.2.3 BP网络的学习146

4.2.4盒中脑状态网络的学习157

§ 4.3随机型学习160

4.3.1 Boltzmann机的学习161

4.3.2 Cauchy机的学习168

§4.4赫布型学习170

4.4.1 线性联想记忆网络的学习172

4.4.2最优线性联想记忆网络的学习175

4.4.3 稀疏分布式记忆网络的学习177

4.4.4 模糊联想记忆网络的学习179

4.4.5 离散自相关器网络的学习182

4.4.6 离散双向联想记忆网络的学习185

4.4.7 自适应双向联想记忆网络的学习190

4.4.8 时间联想记忆网络的学习192

4.4.9 雪崩匹配滤波器网络的学习196

4.4.10模糊认知映射网络的学习199

§4.5竞争型学习200

4.5.1 学习矩阵网络的学习202

4.5.2 加性Grossberg网络的学习203

4.5.3乘性Grossberg网络的学习205

4.5.4二值自适应共振理论网络的学习206

4.5.5 自组织特征映射网络的学习212

4.5.6对向传播网络的学习216

4.5.7认知机的学习220

第五章神经计算机的基本概念225

§5.1神经计算机的基本特征225

§5.2拓扑结构分析227

5.2.1 基本定义227

5.2.2 网络互连类型229

5.3.1软件模拟与全硬件实现239

§5.3体系结构的考虑239

5.3.2模拟式与数字式242

5.3.3并行粒度244

§5.4 联想存储245

§5.5 神经计算机的模拟实现248

§5.6 Transputer与多处理器系统253

5.6.1 Transputer的并行处理功能253

5.6.2多处理机系统257

§5.7 神经计算机的电子器件实现261

§5.8 神经计算机的光处理器实现266

§5.9 未来的分子处理器实现方法270

§5.10神经计算机的前景273

第六章神经网络的应用275

§6.1神经网络在模式识别中的应用275

6.1.1 手写体签字证实系统276

6.1.2天气预报系统279

6.1.3 图象边缘检测284

6.1.4图象数据压缩286

6.1.5 NETtalk290

6.1.6 音节的识别294

6.1.7连续语音识别296

§6.2神经网络在认知科学和人工智能中的应用298

6.2.1数据库回想299

6.2.2 Schemata的实现302

6.2.3行动控制307

6.2.4 专家系统311

§6.3神经网络在最优化问题中的应用317

6.3.1 图象的半色调化318

6.3.2 图象恢复320

6.3.3几个最优化问题对应的计算能量函数324

第七章神经网络中的若干数学方法333

§7.1矩阵与矢量空间333

7.1.1矢量运算333

7.1.2 矩阵运算337

7.1.3特征值与特征矢量341

7.2.1概率论基本公式346

§7.2概率论基础346

7.2.2 随机过程347

§7.3组合论的基本法则349

7.3.1 排列与组合349

7.3.2 区组设计350

§7.4信息与编码353

7.4.1 信息论的基本概念353

7.4.2 编码方法357

7.5.1 单层神经网络362

§7.5神经网络的统计分析362

7.5.2 完全随机型网络映射的稳定性363

7.5.3联想映射的稳定性366

§7.6 Lyapunov稳定性判据368

7.6.1稳定性定义368

7.6.2李雅普诺夫直接方法370

附录C—TSP（中国旅行商问题）375

英汉名词对照表377

参考文献383