《神经网路入门与图样辨识》求取 ⇩

第一章神经网路简介1

1.1 缘起2

1.2神经元的模型5

1.2.1 神经元的生物模型6

1.2.2 神经元的运算模型7

1.2.3 神经元的网路架构13

1.3神经网路的学习与回忆15

1.3.1 学习期16

1.3.2 回忆期19

1.4 本书的架构20

参考文献22

第二章层状认知网路27

2.1单层认知网路28

2.1.1 认知器31

2.1.2 适应线性元件37

2.1.3 S-形函数的Adaline41

2.1.4 高阶顺向神经网路45

2.2多层认知网路49

2.2.1 Madaline法则I51

2.2.2 Madaline法则II54

2.2.3 回传算法56

2.3回传神经网路分析64

2.3.1 函数近似理论67

2.3.2 回传神经网路问题的探讨69

2.3.3 回传神经网路的反置72

参考文献76

第三章竞争学习神经网81

3.1 相似性量测82

3.2 简易竞争学习87

3.3 Hamming神经网路91

3.4群聚分析96

3.4.1 K-means演算法97

3.4.2 模糊K-means演算法101

3.5适应向量量化104

3.5.1 良心机构109

3.5.2 学习向量量化111

3.6自我组织特征映射112

3.6.1 Kohonen学习法则115

3.6.2 Kohonen学习法则的改良122

参考文献130

第四章适应共振理论135

4.1ART神经网路设计137

4.1.1 ART的设计原理138

4.1.2 ART的网路架构139

4.1.3 ART系统运作143

4.2ART1模型145

4.2.1 特征侦测区之STM动态147

4.2.2 取向子系统之重置151

4.2.3 接收区之STM动态153

4.2.4 长期记忆体之学习154

4.2.5 ART1学习法则157

4.2.6 ART1之搜寻顺序161

4.3ART2模型166

4.3.1 特征侦测区之STM动态167

4.3.2 接收区之STM动态169

4.3.3 长期记忆体之学习169

4.3.4 取向子系统之重置170

4.3.5 ART2学习法则173

4.4ART2-A模型175

4.4.1 前置处理区之STM动态177

4.4.2 特征侦测区之STM动态178

4.4.3 接收区之STM动态179

4.4.4 取向子系统之重置179

4.4.5 长期记忆体之学习181

4.4.6 ART2-A学习法则183

参考文献186

第五章联想记忆189

5.1线性联想记忆190

5.1.1 虚拟反置矩阵193

5.1.2 最佳线性联想记忆194

5.2非线性联想记忆195

5.2.1 临界值元件196

5.2.2 学习矩阵198

5.3动态系统的稳定性分析200

5.3.1 稳定性分析的数学基础200

5.3.2 稳定性定义202

5.3.3 Lyapunov稳定性定理205

5.4Hopfield网路209

5.4.1 离散Hopfield网路209

5.4.2 连续Hopfield网路218

5.4.3 Cohen-Grossberg自联想模式220

5.5双向联想记忆222

5.5.1 离散BAM网路224

5.5.2 连续BAM网路230

5.5.3 适应BAM网路231

5.5.4 竞争适应BAM网路235

5.5.5 微分Hebbian适应BAM网路237

5.6高阶联想记忆239

5.6.1 高阶Hopfield网路239

5.6.2 二阶BAM网路242

5.6.3 二阶ABAM网路243

参考文献245

第六章混合式神经网路249

6.1Instar-Outstar映像网路251

6.1.1 输入区之神经元动态253

6.1.2 竞争区之神经元动态256

6.1.3 Instar学习法则260

6.1.4 Outstar架构262

6.2 相对传递网路266

6.3 放射状基础函数网路271

6.4ARTMAP网路274

6.4.1 映像区之STM动态275

6.4.2 映射区之重置与匹配追踪278

6.4.3 映射区键结值之学习280

参考文献283

中文索引285

英文索引303