人工神经网络导论

    本书较系统地介绍了人工神经网络的基本理论和方法，全书共10章，可分为四大部分：第一部分包括第一章至第二章，叙述了学习人工神经网络应该具备的基础知识，内容有大脑神经系统的构成、脑神经细胞工作概况、人工神经网络的构思、动力系统稳定性以及混沌；第二部分包括第三章至第五章，论述了人工神经网络的三要素，即人工神经元模型、人工神经元的联接方式、人工神经网络的训练与学习；第三部分包括第六章至第九章，着重讨论了四大类网络，即前馈网络、动态网络、竞争网络及模糊网络，第一大类中包含若干具体网络模型；第四部分为第十章，讨论了统计学习理论，支撑向量机作为其特例。
本书在强调基础理论和系统性的同时，着重反映人工神经网络研究领域的最新研究成果，适合作为高等院校自动控制、电子技术、信息技术、计算机、系统工程等专业的研究生教材，亦可供有关科技人员参考。

    

    

前言
一 引论
1.1 智能与思维科学
1.2 人工智能
1.3 人工神经网络概述
二 基础知识
2.1 人脑神经系统的构成
2.2 人脑神经细胞工作概况
2.3 人工神经网络的构思
2.4 系统的稳定性
2.5 混沌与神经网络
三 神经元模型
3.1 神经元的通用功能模型
3.2 简单线性神经元
3.3 位势神经元
3.4 逻辑神经元
3.5 势态神经元
3.6 其他神经元
四 联接方式
4.1 分层神经元网的一般结构
4.2 联接矩阵图
4.3 神经元网络的多层组织
五 训练和学习
5.1 乘积学习规则
5.2 关联学习
5.3 线性元网络的差值则训练法
5.4 准线性元网络的差值规则
5.5 随机训练
六 前馈网络
6.1 感知器
6.2 多层感知器
6.3 径向基函数网络
6.4 前馈网络与其他模式分类器
七 动态网络
7.1 延时网络
7.2 双向联想存储
7.3 Hopfield网络
7.4 递归网络
7.5 Bolzmann机
八 竞争网络
8.1 汉明网
8.2 自组织特征映射
8.3 适应谐振网-ART1
8.4 自适应谐振网-ART2
九 模糊自适应网
9.1 模糊自适应谐振网
9.2 模糊极小-极大网
9.3 一般模糊极小-极大网
9.4 模糊格神经网络
9.5 递归自组织模糊推理网络
十 统计学习理论
10.1 学习理论的背景
10.2 学习过程一致性理论
10.3 学习过程收敛率的界限
10.4 控制学习机泛化性能的理论
10.5 构造学习算法的理论
10.6 结论
参考文献