《人工神经网络建造》求取 ⇩

第一章绪 论1

1.1 历史回顾1

1.2 生物神经2

1.2.1 神 经 元2

1.2.2 信息传递3

1.3 神经组织4

1.4 视觉神经5

1.5 脑记忆的生理机制6

1.6 分布系统的特点7

1.7 分布系统的研究方法9

1.8 人工神经网络与分布系统10

1.9 人工神经网络信息处理原理10

1.9.1 神 经 元11

1.9.2 人工神经网络的分类13

参考文献14

第二章人工神经网络的分布系统模型15

2.1 基本数学工具15

2.1.1 概率过程15

2.1.2 连续时间的马尔科夫过程16

2.1.3 离散状态系统与连续状态系统18

2.1.4 概率微分方程21

2.2 势条件和吉布斯分布23

2.2.1 强势条件23

2.2.2 弱势条件24

2.2.3 细致平衡条件25

2.2.4 正则系统和正则—散逸系统26

2.2.5 Ito,Stratonovich概率微分方程及它们的福克—普朗克方程27

2.3.1 最大熵原理31

2.3 系 统 熵31

2.3.2 最小相对信息原理33

2.3.3 最小平均“能量”原理35

2.3.4 有序与无序平衡原理35

2.3.5 系统平衡态的熵35

2.3.6 平衡状态的平均能量36

2.3.7 最大熵分布37

2.4 概率网络38

2.4.1 网 络38

2.4.2 Ising模型39

2.4.3 利用平均场近似43

2.4.4 马尔科夫概率场和概率网络45

2.5 Hopfield网络49

2.5.1 Hopfield权植公式证明50

2.5.2 连续Hopfield网51

2.5.3 Hopfield网络优化应用53

2.6 波尔兹曼机器54

附录160

附录261

附录361

参考文献62

2.7 网络优化62

2.7.1 目标函数63

2.7.2 最优化问题的概率模型64

2.7.3 分布最优网络65

2.7.4 模拟退火法65

2.7.5 网络结构变换66

3.1.1 一般框架69

3.1 人工神经网络的一般框架69

第三章人工神经网络的其它模型69

3.1.2 PDP模型分类72

3.1.3 PDP模型分层机构73

3.1.4 一般并行活动模型范例75

参考文献80

3.2 感知器算法80

3.2.1 感知器基本性质80

3.2.2 感知器梯度算法82

3.2.3 线性阈值元件感知器88

3.24 最小二乘分类算法88

3.3 误差反传递算法89

3.3.1 两层网的缺点89

3.3.2 扩展误差（△）规则90

3.3.3 模拟结果93

3.3.5 改良BP算法100

3.3.6 模拟程序105

3.4 竞争学习算法113

3.4.1 竞争学习机构113

3.4.2 竞争学习114

3.4.3 形式分析115

3.4.4 实验结果117

3.4.5 模拟程序125

参考文献133

3.5 遗传算法的神经网络构造方法133

3.5.1 遗传算法概述134

3.5.2 遗传算法应用实例136

3.5.3 遗传算法的形式描述139

3.5.4 遗传算法神经网络144

参考文献146

3.6 基于自适应共振理论的自组织网络147

3.6.1 ART的提出147

3.6.2 ART模型结构147

3.6.3 竞争学习模型149

3.6.4 任意输入环境中的自稳定学习150

3.6.5 交替学习模型151

3.6.6 2/3规则152

3.6.7 假定测试的自动控制153

3.6.8 ART模型的数学方法155

3.6.9 ART模型的学习算法159

参考文献160

4.1.1 并行性等级161

4.1 计算机并行机制161

第四章大规模人工神经网络的实现161

4.1.2 并行结构162

4.1.3 处理机阵列163

4.1.4 开关网络167

4.2 Systolic阵列结构神经网络处理175

4.2.1 Systolic阵列结构原理176

4.2.2 波前阵列177

4.2.3 人工神经网络的Systolic阵列实现178

参考文献184

4.3 专用硬件185

4.3.1 数字VLSI神经元处理器185

4.3.2 模拟电路VLSI神经元处理器188

4.3.3 系统实例191

4.3.4 光技术机器193