人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例

第1章  引言                  
 1. 1  人工神經(jīng)網(wǎng)絡(luò)簡介                  
 1. 2  人工神經(jīng)網(wǎng)絡(luò)發(fā)展歷史                  
 1. 2. 1  興起階段                  
 1. 2. 2  蕭條階段                  
 1. 2. 3  興盛階段                  
 1. 3  人工神經(jīng)網(wǎng)絡(luò)模型                  
 1. 3. 1  生物神經(jīng)元模型                  
 1. 3. 2  人工神經(jīng)網(wǎng)絡(luò)的模型                  
 1. 4  人工神經(jīng)網(wǎng)絡(luò)的分類及學(xué)習(xí)規(guī)則                  
 1. 4. 1  人工神經(jīng)網(wǎng)絡(luò)的分類                  
 1. 4. 2  神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)                  
 1. 5  人工神經(jīng)網(wǎng)絡(luò)的信息處理能力                  
 1. 6  人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用                  
 1. 7  人工神經(jīng)網(wǎng)絡(luò)與人工智能                  
 1. 7. 1  人工智能簡介                  
 1. 7. 2  人工智能與人工神經(jīng)網(wǎng)絡(luò)                  
 1. 8  習(xí)題                  
                   
 第2章  單層前向網(wǎng)絡(luò)及LMS學(xué)習(xí)算法                  
 2. 1  單層感知器                  
 2. 1. 1  單層感知器模型                  
 2. 1. 2  單層感知器的學(xué)習(xí)算法                  
 2. 2  自適應(yīng)線性元件                  
 2. 3  LMS學(xué)習(xí)算法                  
 2. 4  仿真實例                  
 2. 5  習(xí)題                  
                   
 第3章  多層前向網(wǎng)絡(luò)及BP學(xué)習(xí)算法                  
 3. 1  多層感知器                  
 3. 2  BP學(xué)習(xí)算法                  
 3. 2. 1  BP學(xué)習(xí)算法                  
 3. 2. 2  BP學(xué)習(xí)算法步驟                  
 3. 2. 3  BP學(xué)習(xí)算法的改進                  
 3. 3  徑向基網(wǎng)絡(luò)                  
 3. 3. 1  RBF神經(jīng)網(wǎng)絡(luò)模型                  
 3. 3. 2  RBF網(wǎng)絡(luò)的學(xué)習(xí)算法                  
 3. 3. 3  RBF網(wǎng)絡(luò)與多層感知器的比較                  
 3. 4  仿真實例                  
 3. 5  習(xí)題                  
                   
 第4章  支持向量機及其學(xué)習(xí)算法                  
 4. 1  統(tǒng)計學(xué)習(xí)理論                  
 4. 2  支持向量機                  
 4. 2. 1  線性支持向量機                  
 4. 2. 2  非線性支持向量機                  
 4. 2. 3  支持向量機與多層前向網(wǎng)絡(luò)的比較                  
 4. 3  支持向量機的學(xué)習(xí)算法                  
 4. 3. 1  學(xué)習(xí)算法                  
 4. 3. 2  改進算法                  
 4. 4  仿真實例                  
 4. 5  習(xí)題                  
                   
 第5章  Hopfield神經(jīng)網(wǎng)絡(luò)與聯(lián)想記憶                  
 5. 1  神經(jīng)動力學(xué)                  
 5. 2  離散Hoptield神經(jīng)網(wǎng)絡(luò)                  
 5. 2. 1  離散Hopfield網(wǎng)絡(luò)模型                  
 5. 2. 2  離散Hopfield網(wǎng)絡(luò)的運行規(guī)則                  
 5. 3  連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)                  
 5. 3. 1  連續(xù)Hopfield網(wǎng)絡(luò)模型                  
 5. 3. 2  連續(xù)Hopfield網(wǎng)絡(luò)穩(wěn)定性分析                  
 5. 4  聯(lián)想記憶                  
 5. 4. 1  聯(lián)想記憶的基本概念                  
 5. 4. 2  Hopfield聯(lián)想記憶網(wǎng)絡(luò)                  
 5. 4. 3  Hopfield聯(lián)想記憶網(wǎng)絡(luò)的運行步驟                  
 5. 4. 4  聯(lián)想記憶網(wǎng)絡(luò)的改進                  
 5. 5  仿真實例                  
 5. 6  習(xí)題                  
                   
 第6章  隨機神經(jīng)網(wǎng)絡(luò)及模擬退火算法                  
 6. 1  Boltzmann機                  
 6. 1. 1  Boltzmann機的網(wǎng)絡(luò)結(jié)構(gòu)                  
 6. 1. 2  Boltzmann機的工作原理                  
 6. 1. 3  Boltzmann機的運行步驟                  
 6. 1. 4  Boltzmann機的學(xué)習(xí)規(guī)則                  
 6. 2. Boltzmann機的改進                  
 6. 2. 1  確定性Boltzmann機                  
 6. 2. 2  Sigmoid置信度網(wǎng)絡(luò)                  
 6. 3  模擬退火算法                  
 6. 3. 1  模擬退火原理                  
 6. 3. 2  模擬退火算法用于組合優(yōu)化問題                  
 6. 4  仿真實例                  
 6. 5  習(xí)題                  
                   
 第7章  競爭神經(jīng)網(wǎng)絡(luò)                  
 7. 1  Hamnling網(wǎng)絡(luò)                  
 7. 1. 1  Hamming網(wǎng)的網(wǎng)絡(luò)結(jié)構(gòu)                  
 7. 1. 2  網(wǎng)絡(luò)的運行過程                  
 7. 1. 3  網(wǎng)絡(luò)的學(xué)習(xí)算法                  
 7. 2  自組織映射網(wǎng)絡(luò)                  
 7. 2. 1  自組織映射網(wǎng)絡(luò)模型                  
 7. 2. 2  自組織映射學(xué)習(xí)算法                  
 7. 3  學(xué)習(xí)矢量量化                  
 7. 3. 1  網(wǎng)絡(luò)模型                  
 7. 3. 2  學(xué)習(xí)矢量量化的學(xué)習(xí)算法                  
 7. 3. 3  學(xué)習(xí)矢量量化和自組織映射                  
 7. 4  主分量分析                  
 7. 4. 1  主分量分析方法                  
 7. 4. 2  前向主分量分析網(wǎng)絡(luò)及其算法                  
 7. 4. 3  自適應(yīng)主分量網(wǎng)絡(luò)及其算法                  
 7. 5  仿真實例                  
 7. 6  習(xí)題                  
                   
 第8章  協(xié)同神經(jīng)網(wǎng)絡(luò)                  
 8. 1  協(xié)同學(xué)簡介                  
 8. 1. 1  協(xié)同學(xué)的基本概念                  
 8. 1. 2  協(xié)同學(xué)的數(shù)學(xué)模型                  
 8. 2  協(xié)同神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)算法                  
 8. 2. 1  協(xié)同神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型                  
 8. 2. 2  協(xié)同神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)                  
 8. 2. 3  協(xié)同神經(jīng)網(wǎng)絡(luò)的運行步驟                  
 8. 2. 4  協(xié)同學(xué)習(xí)算法                  
 8. 3  仿真實例                  
 8. 4  習(xí)題                  
 附錄1  MATlAB及神經(jīng)網(wǎng)絡(luò)工具箱簡介                  
 附錄2  MATLAB(5. X版)中神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)                  
 參考文獻