《人工神经网络的模型及其应用》求取 ⇩

第一章概论1

第一节 神经细胞及神经细胞组成的网络1

第二节 人工神经网络的特点3

第三节 人工神经网络的发展史6

一、初始发展期6

二、低潮时期7

三、复兴时期8

四、发展高潮期9

第四节 人工神经网络的类型10

一、神经元变换函数的类型10

二、人工神经网络的结构10

三、学习算法上的分类12

第二章前馈型人工神经网络13

第一节 线性阈值单元组成的前馈网络13

一、M-P模型13

二、感知器组合的神经网络14

三、多层的感知器网络19

第二节 自适应线性单元组成的网络24

一、用于非线性分割的自适应网络25

二、多层Adaline网络的学习算法26

三、Adaline和Madaline的应用28

第三节 非线性变换单元组成的前馈网络32

一、网络的结构与数学描述32

二、B-P的学习算法34

三、B-P网络的误差曲面讨论37

四、算法的改进41

五、B-P网络的设计考虑43

六、B-P网络的应用举例47

第三章反馈式人工神经网络52

第一节 离散的单层反馈网络模型55

一、基本公式55

二、稳定点56

三、网络的稳定性57

四、外积型DHNN权的设计和讨论60

五、用其他方法进行权的设计67

六、记忆容量的讨论70

第二节 连续的单层反馈网络75

一、连续的Hopfield网络的生物背景和数学模型75

二、CHNN方程的解及稳定性讨论78

三、李雅普诺夫稳定性定理84

四、Hopfield的能量函数和稳定性判别89

五、能量函数与优化计算93

六、应用举例97

第三节 细胞神经网络105

一、CNN网络的模型105

二、CNN网络系统的分析108

三、非对称模板条件下的系统稳定性112

四、网络权的设计115

五、CNN网络的应用举例118

第四章自组织竞争人工神经网络127

第一节 概述127

一、竞争128

二、自组织网络的学习规律129

第二节 自适应共振理论模型131

一、ART的模型结构131

二、ART的工作流程133

三、权的设计及学习134

四、ART的实现136

一、自组织映照模型的结构和工作过程137

第三节 自组织映照模型137

二、Kohonen网络的工作原理141

三、Kohonen网络的应用举例146

第四节 Fukushima网络模型148

一、人工神经认知机模型148

二、具有选择注意力的Fukushima神经网络157

第五章其他类型的人工神经网络模型164

第一节 随机神经网络164

一、Boltzmann分布和能量函数164

二、Boltzmann机模拟学习样本的状态概率165

三、平均场退火法的随机网络168

第二节 脑模型联接控制器170

一、CMAC模型的结构171

二、网络的工作原理分析173

三、CMAC的学习算法及收敛速度179

四、CMAC在机器人控制中的应用183

第三节 模糊与人工神经网络184

一、模糊的基本概念185

二、人工神经网络和模糊系统的比较193

三、模糊理论基础上的多级神经网络199

第四节 分形人工神经网络206

一、分形概述206

二、结构上的分形人工神经网络207

三、信息分形的人工神经网络209

一、概述212

第五节 遗传算法在人工神经网络中的应用212

二、遗传算法的流程213

三、遗传算法的举例214

第六章人工神经网络的实现217

第一节 概述217

第二节 全模拟电路实现的神经网络218

一、神经元的实现218

二、权的设计218

第三节 全数字电路的人工神经网络223

第四节 脉冲串作为信号源的混合神经网络225

第五节 具有虚处理单元的神经网络230

参考文献234