《人工神经网络理论及应用》求取 ⇩

第一章 人工神经网络概述1

1.1 引言1

1.2 人工神经网络的基本功能4

1.3 几种常见的神经网络6

1.4 其他神经网络模型27

第二章 现有神经网络学习方法的分析33

2.1 引言33

2.2 现有神经网络学习方法的主要问题35

2.3 神经网络学习计算复杂性的分析46

第三章 权-阈值神经网络学习算法50

3.1 引言50

3.2 神经网络的学习问题51

3.3 网络训练样本吸引半径估计58

3.4 吸引半径优化的讨论60

3.5 PRA算法62

3.6 计算机仿真模拟65

第四章 多层神经网络的FP学习和综合算法72

4.1 引言72

4.2 前馈神经网络的FP算法74

4.3 前馈网络性能分析78

4.4 前馈网络结构分析90

4.5 前馈FP算法推广及与其他方法比较91

4.6 计算机仿真模拟98

4.7 多层反馈神经网络的FP学习和综合算法100

第五章 概率逻辑神经网络的定量分析117

5.1 引言117

5.2 Aleksander的工作119

5.3 PLN网络121

5.4 PLN网络收敛性定理127

5.5 PLN网络结构性质131

5.6 结论137

第六章 概率逻辑神经网络的新模型138

6.1 引言138

6.2 A-学习算法与马尔可夫链140

6.3 A-算法计算复杂性分析148

6.4 PLN网络反馈连接矩阵与稳定性155

第七章 概率逻辑神经网络的AZ-模型175

7.1 引言175

7.2 单层反馈PLN网络的识别复杂性176

7.3 PLN网络的识别复杂性分析180

7.4 PLN元件的改进——AZ-模型186

7.5 PLN网络的样本吸引区域的分析199

7.6 计算机仿真模拟208

第八章 CMAC神经网络分析214

8.1 引言214

8.2 CMAC模型描述215

8.3 CMAC网络在批量学习方式下的收敛性226

8.4 CMAC网络在循环学习方式下的收敛性232

8.5 CMAC网络在随机学习方式下的收敛性240

8.6 样本集的地址向量线性相关时的收敛性244

8.7 仿真实验249

第九章 神经网络新模型的应用263

9.1 FP模型的应用263

9.2 PLN模型的应用303

9.3 基于规划学习算法的应用320

9.4 CMAC网络的应用331

参考文献367