《神经计算》求取 ⇩

目录1

前言1

第一章 绪论1

1.1 引言1

1.2 神经计算的研究历史3

1.3 神经信息处理的基本原理7

1.4 简单的神经网络模型16

1.4.1 简单线性模型16

1.4.2 线性阈值单元17

1.4.3 盒中脑状态17

1.4.4 热力学模型18

1.5 神经计算的研究内容18

1.6 神经计算的发展趋势22

参考文献23

第二章 神经计算的生物基础25

2.1 脑系统25

2.2 生物神经元26

2.2.1 神经元26

2.2.2 突触27

2.2.3 化学递质28

2.3 神经冲动30

2.4 神经系统32

2.4.1 中枢神经系统32

2.4.2 周围神经系统33

2.5.1 视觉的生理机制36

2.5 视觉系统36

2.5.2 视觉系统的基本功能37

2.5.3 视觉信息加工38

2.5.4 单色视觉模型39

2.5.5 彩色视觉模型40

2.5.6 马尔的视觉计算理论42

2.5.7 拓扑性质检测的视觉模型45

2.6 记忆系统46

2.6.1 记忆类型46

2.6.2 长时记忆机制49

2.6.3 动态记忆理论50

2.6.4 记忆的生理机制51

参考文献53

第三章 人工神经网络的数学模型55

3.1 概述55

3.2 线性限幅单元57

3.3 感知机58

3.3.1 感知机学习算法58

3.3.2 Pocket算法59

3.3.3 最小二乘分类学习算法60

3.3.4 多层感知机61

3.4 前向多层神经网络的反传学习算法65

3.4.1 单样本学习法65

3.4.2 随机逼近法69

3.4.4 提高反传算法收敛速度的方法70

3.4.3 集中学习法70

3.5 映射网络的容量分析71

3.6 线性联想器72

3.7 Hopfield联想神经网络75

3.8 反馈联想网络的分析76

3.8.1 稳定性分析76

3.8.2 学习规则79

3.9 双向联想记忆81

3.10 Hopfield-Tank连续神经网络模型83

3.11 玻耳兹曼机86

3.11.1 概述86

3.11.2 玻耳兹曼机模型86

3.11.3 玻耳兹曼机的学习算法88

3.11.4 模拟退火算法91

3.11.5 柯西机94

3.12 稀疏编码联想记忆网络97

3.13 递归神经网络98

参考文献100

第四章 人工神经网络的认知模型103

4.1 概述103

4.2 相互激活与竞争网络104

4.2.1 IAC网络模型的结构104

4.2.2 IAC网络的数学描述105

4.2.3 IAC网络的特点106

4.3.1 竞争学习的基本结构108

4.3 竞争学习108

4.2.4 IAC网络模型108

4.3.2 竞争学习系统的性质109

4.3.3 竞争学习的几何解释110

4.3.4 竞争学习的某些特点111

4.4 自适应谐振理论112

4.4.1 概述112

4.4.2 ART-1神经网络112

4.4.3 ART-2神经网络114

4.5 ART-3神经网络119

4.6 Kohonen的自组织模型126

4.7 认知机128

4.7.1 结构129

4.7.2 训练130

4.8 神经认知机135

4.8.1 结构135

4.8.2 计算136

4.8.3 训练137

4.9 神经认知机模式识别的处理138

4.10 组合超压缩141

4.11 遗传神经网络142

4.11.1 进化策略143

4.11.2 达尔文进化算法145

4.11.3 并行遗传算法146

4.11.4 基因型学习和表型学习146

参考文献149

5.1 概述151

第五章 神经动力学151

5.2 动力系统的稳定性152

5.3 吸引子分析156

5.3.1 矩阵W的计算及其吸引域158

5.3.2 最优系数矩阵160

5.3.3 能量函数161

5.4 概率统计的观点162

5.5 神经网络的熵理论164

5.5.1 能量与熵164

5.5.2 同步并行计算166

5.5.3 异步串行计算166

5.6 动力系统的分维学169

5.7 通有神经网络模型170

5.7.1 通有人工神经网络模型171

5.7.2 通有神经网络的稳定性172

5.7.3 通有神经网络延时特性175

5.8 信息几何176

5.9 混沌178

参考文献179

第六章 模糊人工神经网络181

6.1 概述181

6.2 模糊集合182

6.3 模糊逻辑183

6.4 模糊联想记忆184

6.5 神经模糊推理系统187

6.6.1 近似逻辑191

6.6 神经网络近似逻辑191

6.6.2 神经网络模型192

6.6.3 从样本中归纳学习194

参考文献196

第七章 适应性子波理论199

7.1 概述199

7.2 傅立叶变换200

7.3 盖博变换201

7.4 子波变换203

7.5 子波的建造206

7.6 神经网络适应性子波207

参考文献209

8.1 概述211

第八章 神经计算的应用211

8.2 神经专家系统212

8.2.1 神经专家系统的基本原理212

8.2.2 神经专家系统的混合结构215

8.2.3 面向对象的神经网络专家系统外壳ONESS216

8.3 智能控制222

8.4 组合优化问题求解226

8.5 图象识别229

8.6 神经网络系统的设计232

8.7 神经网络综合的基本方法233

8.7.1 外积法235

8.7.2 投影学习规则236

8.7.3 特征结构法238

8.7.4 非对称连接矩阵网络综合240

参考文献242

第九章 神经计算软件245

9.1 概述245

9.2 并行网络仿真系统P3246

9.3 PDP神经网络软件248

9.3.1 相互激活与竞争网络仿真程序248

9.3.2 竞争学习模型的仿真程序252

9.3.3 仿真程序的运行253

9.4 神经网络编程265

9.4.1 反传网络265

9.4.2 霍普菲尔特网络267

9.4.3 玻耳兹曼机272

9.5 神经网络描述语言AXON282

参考文献283

第十章 神经计算机285

10.1 神经计算机的体系结构285

10.2 电子数字神经器件288

10.3 电压模式神经器件292

10.3.1 基本器件292

10.3.2 反馈网络的实现293

10.3.3 开关电容神经网络294

10.4 电流模式神经器件296

10.4.1 有源跨导放大器296

10.4.2 电流模式神经元模型297

10.5.1 神经网络协处理器298

10.5 电子神经计算机298

10.5.2 并行处理机阵列300

10.5.3 脉动神经计算机302

10.5.3 神经计算机开发系统304

10.6 光神经计算机305

10.6.1 矩阵处理器305

10.6.2 空间光调制器307

10.6.3 光互连309

10.6.4 光全息存储器309

10.6.5 电光神经计算机310

10.6.6 全光神经计算机310

10.7 分子计算机311

107.1 分子计算的宏—微模式311

10.7.3 分子神经计算机的体系结构313

10.7.2 生物芯片313

参考文献316

第十一章 人工思维319

11.1 系统级脑模拟319

11.2 细胞级脑模拟321

11.3 分子级脑模拟322

11.4 思维的层次模型323

11.5 智能系统324

11.6 智能系统环境INTSE327

11.7 人工思维模型329

参考文献331

索引333