图书详细信息

【书 名】: 人工神经网络理论、设计及应用
【作 者】: 韩力群
【出版社】: 化学工业出版社·北京
【出版日期】:
【关键字】: 人工神经元网络-高等学校-教材   编辑     编辑历史  
【描 述】:
【其 他】:
【类 型】: 普通图书
【加工单位】: 重庆大学

您觉得以上描述是否完整准确?     很好 较好 较差 很差

本书目录

  • 1 绪论

    • 1.1 人工神经网络概述

      • 1.1.1 人脑与计算机信息处理能力的比较

      • 1.1.2 人脑与计算机信息处理机制的比较

      • 1.1.3 什么是人工神经网络

    • 1.2 人工神经网络发展简史

      • 1.2.1 启蒙时期

      • 1.2.2 低潮时期

      • 1.2.3 复兴时期

      • 1.2.4 新时期

      • 1.2.5 国内研究概况

    • 1.3 人工神经网络的基本特征与功能

      • 1.3.1 神经网络的基本特征

      • 1.3.2 神经网络的基本功能

    • 1.4 人工神经网络的应用领域

      • 1.4.1 信息领域

      • 1.4.2 自动化领域

      • 1.4.3 工程领域

      • 1.4.4 医学领域

      • 1.4.5 经济领域

    • 1.5 本章小结

    • 思考与练习

  • 2 人工神经网络基础知识

    • 2.1 人工神经网络的生物学基础

      • 2.1.1 生物神经元的结构

      • 2.1.2 生物神经元的信息处理机理

    • 2.2 人工神经元模型

      • 2.2.1 神经元的建模

      • 2.2.2 神经元的数学模型

      • 2.2.3 神经元的转移函数

    • 2.3 人工神经网络模型

      • 2.3.1 网络拓扑结构类型

      • 2.3.2 网络信息流向类型

    • 2.4 人工神经网络学习

      • 2.4.1 Hebbian学习规则

      • 2.4.2 Perceptron(感知器)学习规则

      • 2.4.3 δ(De1ta)学习规则

      • 2.4.4 Widrow-Hoff学习规则

      • 2.4.5 Correlation(相关)学习规则

      • 2.4.6 Winner-Take-All(胜者为王)学习规则

      • 2.4.7 0utstar(外星)学习规则

    • 2.5 本章小结

    • 思考与练习

  • 3 前馈神经网络

    • 3.1 单层感知器

      • 3.1.1 感知器模型

      • 3.1.2 感知器的功能

      • 3.1.3 感知器的局限性

      • 3.1.4 感知器的学习算法

    • 3.2 多层感知器

    • 3.3 自适应线性单元(ADALINE)简介

      • 3.3.1 ADALINE模型

      • 3.3.2 ADALINE学习算法

      • 3.3.3 ADALINE应用

    • 3.4 误差反传(BP)算法

      • 3.4.1 基于BP算法的多层前馈网络模型

      • 3.4.2 BP学习算法

      • 3.4.3 BP算法的程序实现

      • 3.4.4 多层前馈网络的主要能力

      • 3.4.5 误差曲面与BP算法的局限性

    • 3.5 标准BP算法的改进

      • 3.5.1 增加动量项

      • 3.5.2 自适应调节学习率

      • 3.5.3 引入陡度因子

    • 3.6 基于BP算法的多层前馈网络设计基础

      • 3.6.1 网络信息容量与训练样本数

      • 3.6.2 训练样本集的准备

      • 3.6.3 初始权值的设计

      • 3.6.4 多层前馈网络结构设计

      • 3.6.5 网络训练与测试

    • 3.7 基于BP算法的多层前馈网络应用与设计实例

      • 3.7.1 基于BP算法的多层前馈网络用于催化剂配方建模

      • 3.7.2 基于BP算法的多层前馈网络用于汽车变速器最佳挡位判定

      • 3.7.3 基于BP算法的多层前馈网络用于图像压缩编码

      • 3.7.4 基于BP算法的多层前馈网络用于水库优化调度

    • 3.8 本章小结

    • 思考与练习

  • 4 自组织神经网络

    • 4.1 竞争学习的概念与原理

      • 4.1.1 基本概念

      • 4.1.2 竞争学习原理

    • 4.2 自组织特征映射(SOM)神经网络

      • 4.2.1 SOM网络的生物学基础

      • 4.2.2 SOM网络的拓扑结构与权值调整域

      • 4.2.3 SOM网络的运行原理与学习算法

    • 4.3 自组织特征映射网络的设计与应用

      • 4.3.1 SOM网络的设计基础

      • 4.3.2 SOM网络的应用与设计实例

    • 4.4 对偶传播(CPN)神经网络

      • 4.4.1 网络结构与运行原理

      • 4.4.2 CPN的学习算法

      • 4.4.3 改进的CPN网络

      • 4.4.4 CPN网络的应用

    • 4.5 自适应共振理论(ART)

      • 4.5.1 ART1型网络

      • 4.5.2 ART2型网络

    • 4.6 本章小结

    • 思考与练习

  • 5 反馈神经网络

    • 5.1 离散型Hopfield神经网络(DHNN)

      • 5.1.1 网络的结构与工作方式

      • 5.1.2 网络的稳定性与吸引子

      • 5.1.3 网络的权值设计

      • 5.1.4 网络的信息存储容量

    • 5.2 连续型Hopfield神经网络(CHNN)

      • 5.2.1 网络的拓扑结构

      • 5.2.2 能量函数与稳定性分析

    • 5.3 Hopfield网络应用与设计实例

      • 5.3.1 应用DHNN网解决联想问题

      • 5.3.2 应用CHNN网解决优化计算问题

    • 5.4 双向联想记忆(BAM)神经网络

      • 5.4.1 BAM网络结构与原理

      • 5.4.2 能量函数与稳定性

      • 5.4.3 BAM网络的权值设计

      • 5.4.4 BAM网络的应用

    • 5.5 随机神经网络

      • 5.5.1 模拟退火原理

      • 5.5.2 Boltzmann机

    • 5.6 本章小结

    • 思考与练习

  • 6 局部逼近神经网络

    • 6.1 CMAC网络的结构

    • 6.2 CMAC网络的工作原理

      • 6.2.1 从X到M的映射

      • 6.2.2 从M到A的映射

      • 6.2.3 从A到A_p的映射

      • 6.2.4 从A_p到F的映射

    • 6.3 CMAC网络的学习算法

    • 6.4 CMAC网络的应用

  • 7 神经网络的系统设计与软件实现

    • 7.1 神经网络系统总体设计

      • 7.1.1 神经网络的适用范围

      • 7.1.2 神经网络的设计过程与需求分析

      • 7.1.3 神经网络的性能评价

      • 7.1.4 输入数据的预处理

    • 7.2 神经网络的软件实现

      • 7.2.1 软件运行的若干问题

      • 7.2.2 软件实现的若干问题

    • 7.3 神经网络的高级开发环境

      • 7.3.1 神经网络的开发环境及其特征

      • 7.3.2 MATLAB神经网络工具箱

      • 7.3.3 其他神经网络开发环境简介

  • 8 神经网络的硬件实现

    • 8.1 概述

      • 8.1.1 主要研究内容

      • 8.1.2 目前状况

      • 8.1.3 发展前景

    • 8.2 神经元器件

      • 8.2.1 模拟式神经元器件

      • 8.2.2 数字式神经元器件

      • 8.2.3 FPGA神经元结构

    • 8.3 神经网络系统结构

      • 8.3.1 总线连接系统结构

      • 8.3.2 Systolic系统结构

      • 8.3.3 树流水式系统结构

      • 8.3.4 自组织类系统结构

    • 8.4 神经网络的光学实现

      • 8.4.1 光学技术与神经网络

      • 8.4.2 光学逻辑器件

      • 8.4.3 光神经网络的研究现状

  • 9 人工神经系统

    • 9.1 人工神经系统的基本概念

      • 9.1.1 生物神经系统

      • 9.1.2 人工神经系统

    • 9.2 人工神经系统的体系结构

      • 9.2.1 高级中枢神经系统

      • 9.2.2 低级中枢神经系统

      • 9.2.3 外周神经系统

    • 9.3 人工神经系统的控制特性

      • 9.3.1 神经快速、分区控制系统

      • 9.3.2 体液慢速、分工控制系统

      • 9.3.3 人体神经控制系统

    • 9.4 人工神经系统的信息模式

      • 9.4.1 “数字-模拟”混合信息模式

      • 9.4.2 “串行-并行”兼容信息模式

      • 9.4.3 “集中-分散”结合信息模式

    • 9.5 人工神经系统的应用示例

      • 9.5.1 拟人智能综合自动化系统

      • 9.5.2 人工备的总体技术方案

  • 10 回顾与展望

    • 10.1 人工神经网络研究中的几个问题

    • 10.2 人工神经网络研究展望

      • 10.2.1 应用研究的新特点——多学科综合

      • 10.2.2 实现技术研究的当务之急——神经网络的硬件实现

      • 10.2.3 理论研究的新方向——从人工神经网络到人工神经系统

  • 附录1 常用神经网络源程序

  • 附录2 神经网络常用术语英汉对照

  • 参考文献
还书请求提交中!
借阅请求提交中!
转借请求提交中!
回收请求已提交中!

本书最近0条评注
本书目前还没有评注哦!快来抢先评注吧!(评注请猛击此处!)
CADAL管理中心 | 协同工作平台 | 数字图书馆工程研究中心 | DCD实验室 | 浙江大学 | 帮助