《神经网络的应用与实现》求取 ⇩

目录1

第1章 自适应神经网络模式识别1

1.1 引言1

1.1.1　模式识别的基本概念1

1.1.2　模式识别方法概述3

1.1.3　模式识别专家系统4

1.2　神经网络分类器8

1.3　不变性模式识别的神经网络方法14

1.3.1　高阶神经网络方法14

1.3.2　基于三阶相关的高阶神经网络模式识别17

1.3.3　基于不变矩神经网络的模式识别19

1.4　K-L变换20

1.4.1　统计最优准则20

1.4.2　子空间法的数学基础21

1.4.3　K-L变换24

1.4.4　基于K-L变换的特征选择29

1.4.5　基于K-L变换的分类特征提取31

1.4.6　K-L变换的数值计算32

1.5　主分量分析法37

1.5.1　主分量分析的基本思想37

1.5.2　主分量的定义与求法39

1.5.3　主分量的性质43

1.5.4　主分量的计算方法44

1.5.5　因子分析46

1.6　基于神经网络的主分量分析49

1.6.1　Oja算法49

1.6.2　Sanger算法51

1.6.3 自适应主分量提取的神经网络学习算法53

1.6.4　基于正交学习网络的约束主分量分析56

1.6.5　面向主分量提取的无导师神经网络算法63

1.6.6　复数主分量分析的神经网络算法66

1.7　学习子空间方法69

1.7.1 自适应学习的基本准则69

1.7.2　学习子空间法的基本思想75

1.7.3　Kohonen学习子空间法84

1.7.4　基于神经网络的学习对偶子空间法91

1.7.5　广义感知器网络97

参考文献101

第2章　神经网络在信号处理与图像处理中的应用103

2.1　信号变换与分解103

2.1.1　DFT的神经网络实现103

2.1.2　信号分解问题的神经网络方法109

2.2　神经网络自适应算法114

2.2.1　基本概念114

2.2.2　自适应神经网络算法119

2.2.3　神经网络自适应滤波器127

2.3　自适应神经网络均衡与干扰对消130

2.3.1　多层前向神经网络均衡器130

2.3.2　基于Hopfield网络的均衡器设计132

2.3.3　基于神经网络的干扰对消137

2.4.1　LS准则下的信号检测与估计145

2.4　基于神经网络的信号检测与估计145

2.4.2　线性约束LS准则下的信号检测与估计148

2.4.3　用于方向估计的神经网络方法149

2.5　基于神经网络的图像处理156

2.5.1　神经网络广义变换编码156

2.5.2　基于神经网络的矢量量化158

2.5.3　基于神经网络的降维矢量量化161

2.5.4　图像恢复的神经网络方法163

2.6　细胞神经网络及其在图像处理中的应用170

2.6.1　连续时间细胞神经网络171

2.6.2　广义细胞神经网络184

2.6.3　基于细胞神经网络的图像处理203

2.6.4　基于细胞神经网络的运动检测207

2.7　子波神经网络理论与应用215

2.7.1　引言215

2.7.2　子波变换理论217

2.7.3　多分辨分析框架和快速子波算法222

2.7.4　子波包理论与快速算法229

2.7.5　神经网络自适应子波237

2.7.6　紧支正交子波神经网络241

2.7.7 自适应斜交子波神经网络243

2.7.8　子波神经网络的非线性逼近能力分析245

参考文献253

第3章　神经控制理论与应用255

3.1　神经控制引论255

3.1.1　控制科学：成功与挑战255

3.1.2　神经网络用于控制系统的可能方式与结构258

3.2　用于控制的神经网络265

3.2.1　静态多层前向网络265

3.2.2　动态反馈网络的控制语言描述272

3.3　神经网络智能控制275

3.3.1 智能控制的基本思想275

3.3.2　智能控制系统的分类278

3.3.3　智能化自适应控制283

3.3.4 自适应神经网络智能控制288

3.3.5　智能控制系统的学习方式304

3.4　基于神经网络的系统辨识307

3.4.1　神经网络辨识基础308

3.4.2　神经网络辨识的基本方法319

3.4.3　非线性静态系统辨识323

3.4.4　非线性动态系统辨识325

3.5　神经网络模糊控制方法333

3.5.1　神经网络模糊控制的基本思想333

3.5.2　神经模糊控制器337

3.5.3　神经模糊控制规则344

参考文献358

第4章　神经计算机：虚拟实现361

4.1 神经计算机导论361

4.1.1　神经计算机的信息处理方式361

4.1.2　神经计算机的分类与实现366

4.1.3　设计神经网络计算机的几个问题372

4.2　神经计算机的体系结构374

4.2.1　并行计算机374

4.2.2　神经计算机的体系结构378

4.2.3　通用与专用神经计算机380

4.3　神经软件与发展环境382

4.3.1 神经软件382

4.3.2　神经计算机的开发环境387

4.3.3　神经软件包简介390

4.4　神经计算机的信息存贮方法与性能分析392

4.4.1　神经网络信息数组和链表存贮方法393

4.4.2　神经网络信息存贮的改进方法397

4.5　神经网络协处理器400

4.5.1 ANZA协处理器400

4.5.2　Mark系列协处理器402

4.5.3　Odyssey协处理器404

4.6　基于并行处理器阵列的神经计算机411

4.6.1　几种并行阵列神经计算机411

4.6.2　并行处理机上的神经网络实现技术413

4.7　基于Transputer的神经计算机419

4.7.1　Transputer和Occam语言419

4.7.2　基于Transputer的并行C语言433

4.7.3　通用并行神经计算机：*GP2N2S2437

4.7.4　高级神经网络描述语言及编译器443

4.7.5　GP2N2S2并行模拟控制器的设计与实现458

4.7.6　总控模块的设计与实现460

4.7.7　系统集成环境的设计464

4.7.8　新算法的开发与实现467

4.8　神经网络多媒体技术476

4.8.1 神经计算机应用于多媒体系统的思想476

4.8.2　神经网络与多媒体技术实现477

4.9　新的信息处理技术计划——真实世界计算计划479

4.9.1　背景479

4.9.2　RWC基础理论研究计划480

4.9.3　RWC的大规模并行处理系统MPP481

4.9.4 RWC神经元系统483

4.9.5 RWC应用的新功能486

4.9.6 RWC的策略措拖488

4.10 浑沌智能信息处理488

参考文献490

第5章 神经计算机：VLSI实现493

5.1 VLSI神经计算机导论493

5.1.1 概述493

5.1.2 VLSI神经计算机的性能指标497

5.2 VLSI神经计算机的基本单元500

5.2.1 神经器件500

5.2.2 突触连接权值的集成电路实现501

5.2.3 VLSI神经计算机的有源积木块511

5.2.4 模拟乘法器520

5.3 神经计算机的数字VLSI实现525

5.3.1 基本积木块526

5.3.2 Hopfield网络的数字实现528

5.3.3 乘法D/A数字神经网络实现529

5.4 神经计算机的脉冲流VLSI实现535

5.4.1 集成脉冲流神经网络的基本单元535

5.4.2 脉冲流VLSI神经网络539

5.5 神经计算机的SC实现540

5.5.1 SC神经网络的基本积木块540

5.5.2 离散神经网络的SC实现544

5.5.3 开关电流神经网络547

5.5.4 非线性优化SC神经网络550

5.6 神经计算机的电流模式VLSl实现554

5.6.1 电流模式IC的基本积木块555

5.6.2 MOSFET-C神经网络561

5.6.3 跨导-C神经网络563

5.7 可重构VLSI神经网络571

5.7.1 可重构性572

5.7.2 分布神经元——突触实现574

参考文献577