神經(jīng)網(wǎng)絡(luò)及其應(yīng)用

序
前言
專題1 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法
1 引言
2 基于搜索機(jī)制的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
2.1 前向神經(jīng)網(wǎng)絡(luò)的BP算法
2.2 BP算法的各種改進(jìn)
3 神經(jīng)網(wǎng)絡(luò)的規(guī)劃學(xué)習(xí)方法
3.1 引言
3.2 神經(jīng)網(wǎng)絡(luò)的規(guī)劃學(xué)習(xí)算法
3.3 支持向量機(jī)的學(xué)習(xí)方法
3.4 當(dāng)樣本集K不是線性可分的情況
4 神經(jīng)網(wǎng)絡(luò)的構(gòu)造性學(xué)習(xí)方法
4.1 前向網(wǎng)絡(luò)的FP算法
4.2 構(gòu)造性學(xué)習(xí)方法--覆蓋算法
4.3 覆蓋算法的應(yīng)用
4.4 覆蓋算法的改進(jìn)和擴(kuò)展
5 覆蓋算法與SVM中核函數(shù)法的關(guān)系
5.1 SVM中的核函數(shù)法
5.2 覆蓋算法與核函數(shù)法的關(guān)系
5.3 函數(shù)覆蓋算法的泛化能力
6 結(jié)束語
參考文獻(xiàn)
專題2 過程神經(jīng)元網(wǎng)絡(luò)的理論和應(yīng)用
1 引言
2 過程神經(jīng)元模型
2.1 生物神經(jīng)元的啟示
2.2 過程神經(jīng)元模型的定義
2.3 過程神經(jīng)元與泛函
2.4 過程神經(jīng)元與復(fù)合函數(shù)
3 過程神經(jīng)元網(wǎng)絡(luò)模型
3.1 前饋過程神經(jīng)元網(wǎng)絡(luò)模型
3.2 關(guān)于前饋過程神經(jīng)網(wǎng)絡(luò)的基本定理
3.3 學(xué)習(xí)算法
3.4 雙隱層過程神經(jīng)元網(wǎng)絡(luò)模型
3.5 離散過程神經(jīng)元網(wǎng)絡(luò)模型
4 反饋過程神經(jīng)元網(wǎng)絡(luò)模型
4.1 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
4.2 學(xué)習(xí)算法
4.3 算法描述
4.4 仿真實驗
5 輸入輸出均為時變函數(shù)的過程神經(jīng)網(wǎng)絡(luò)模型
5.1 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
5.2 網(wǎng)絡(luò)各層之間的輸入輸出關(guān)系
5.3 學(xué)習(xí)算法
6 結(jié)束語
參考文獻(xiàn)
專題3 神經(jīng)計算和優(yōu)化計算
1 引言
2 凸優(yōu)化理論
3 Hopfield網(wǎng)絡(luò)穩(wěn)定性分析
3.1 動力系統(tǒng)簡介
3.2 連續(xù)時間Hopfield模型
3.3 離散時間Hopfield網(wǎng)絡(luò)模型的穩(wěn)定性
4 非線性梯度下降算法
4.1 理論基礎(chǔ)
4.2 算法設(shè)計和分析
4.3 結(jié)論
5 支持向量機(jī)對偶規(guī)劃的優(yōu)化理論和算法設(shè)計及分析
5.1 介紹
5.2 基于一般懲罰代價函數(shù)的SVM及對偶規(guī)劃
5.3 對偶規(guī)劃最優(yōu)性方程組
5.4 建立支持向量機(jī)最優(yōu)性方程組
5.5 基于罰函數(shù)方法的SVM優(yōu)化算法設(shè)計與分析
6 結(jié)束語
參考文獻(xiàn)
專題4 知識理論與神經(jīng)網(wǎng)絡(luò)
1 引言
2 知識概念
2.1 基本概念
2.2 知識的分類
2.3 知識的表示
3 知識度量
4 知識生成
4.1 歸納型知識生成
4.2 演繹型知識生成
5 知識激活
6 神經(jīng)網(wǎng)絡(luò)與知識理論
6.1 神經(jīng)網(wǎng)絡(luò)與知識生成
6.2 神經(jīng)網(wǎng)絡(luò)與知識演繹
6.3 神經(jīng)網(wǎng)絡(luò)與知識激活
7 結(jié)束語
參考文獻(xiàn)
專題5 人工免疫系統(tǒng)中的克隆選擇算法
1 引言
2 人工免疫系統(tǒng)進(jìn)展
2.1 人工免疫系統(tǒng)的歷史
2.2 人工免疫系統(tǒng)的研究領(lǐng)域
2.3 人工免疫系統(tǒng)與其他方法的比較
3 克隆選擇學(xué)說與克隆選擇算子
3.1 克隆選擇
3.2 克隆算子
4 簡單的克隆選擇算法及其性能分析
4.1 簡單的克隆選擇算法SCSA
4.2 簡單克隆選擇算法的收斂性
4.3 多克隆算子與單克隆算子的比較
4.4 克隆選擇算法與進(jìn)化算法
5 改進(jìn)的克隆選擇算法
5.1 自適應(yīng)多克隆規(guī)劃算法APPA
5.2 自適應(yīng)動態(tài)克隆算法ADCSA
5.3 免疫優(yōu)勢克隆算法IDCA
6 結(jié)論
7 展望
7.1 人工免疫系統(tǒng)存在的問題
7.2 人工免疫系統(tǒng)進(jìn)一步研究的方向
7.3 基于人工免疫系統(tǒng)的綜合集成
參考文獻(xiàn)
專題6 流形學(xué)習(xí)
1 引言
1.1 流形學(xué)習(xí)的研究背景
1.2 流形學(xué)習(xí)的研究意義
2 流形學(xué)習(xí)綜述
2.1 流形學(xué)習(xí)的定義
2.2 流形學(xué)習(xí)的方法
3 流形學(xué)習(xí)的應(yīng)用
3.1 可視化
3.2 插值
3.3 分類
3.4 圖像處理
3.5 數(shù)據(jù)可聽化
3.6 其他
4 流形學(xué)習(xí)若干問題的研究
4.1 流形概念
4.2 流形學(xué)習(xí)中的算法研究
4.3 其他問題研究
5 結(jié)束語
參考文獻(xiàn)
專題7 模糊蘊(yùn)涵算子及其構(gòu)造
1 引言
2 模糊蘊(yùn)涵算子及其性質(zhì)
3 模糊蘊(yùn)涵算子的伴隨對
4 模糊蘊(yùn)涵算子的圈乘算子
5 三角模、余三角模的定義和性質(zhì)
6 由三角模構(gòu)造的模糊蘊(yùn)涵算子
6.1 由力迫蘊(yùn)涵算子、不可分辨蘊(yùn)涵算子EGodel構(gòu)造的模糊蘊(yùn)涵算子
6.2 一類由三角模生成的蘊(yùn)涵算子和傳播算子
7 一類由余三角模生成的蘊(yùn)涵算子和合成算子
8 模糊蘊(yùn)涵算子θ122～θ147的圈乘算子
9 模糊蘊(yùn)涵算子的對偶算子
10 結(jié)束語
參考文獻(xiàn)
專題8 隨機(jī)二元網(wǎng)絡(luò)的理論與應(yīng)用
1 引言
2 時間域數(shù)據(jù)表示和隨機(jī)神經(jīng)元
2.1 時間域數(shù)據(jù)表示
2.2 隨機(jī)神經(jīng)元
3 前饋型隨機(jī)二元網(wǎng)絡(luò)
3.1 梯度下降學(xué)習(xí)
3.2 VC維和學(xué)習(xí)樣本數(shù)分析
4 反饋型隨機(jī)二元網(wǎng)絡(luò)
4.1 定義
4.2 平穩(wěn)分布
4.3 模擬退火
4.4 RSBN與馬爾可夫隨機(jī)場
4.5 RSBN與Boltzmann機(jī)
4.6 RSBN的學(xué)習(xí)算法
5 量子二元網(wǎng)絡(luò)
5.1 量子聯(lián)想記憶的實現(xiàn)
5.2 量子糾纏的實現(xiàn)
6 隨機(jī)二元網(wǎng)絡(luò)硬件設(shè)計
6.1 完全隨機(jī)序列的產(chǎn)生
6.2 通用隨機(jī)序列產(chǎn)生器
6.3 隨機(jī)神經(jīng)元的構(gòu)造
6.4 在線學(xué)習(xí)的硬件實現(xiàn)
7 隨機(jī)二元網(wǎng)絡(luò)應(yīng)用
7.1 組合優(yōu)化--圖對分問題
7.2 模式識別
8 討論
參考文獻(xiàn)
專題9 離散聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)研究進(jìn)展
1 引言
1.1 聯(lián)想記憶的定義和分類
1.2 聯(lián)想記憶的研究重點(diǎn)及其設(shè)計目標(biāo)
2 聯(lián)想記憶研究進(jìn)展
2.1 Hopfield聯(lián)想記憶
2.2 雙向聯(lián)想記憶(BAM)
2.3 其他聯(lián)想模式
3 應(yīng)用
3.1 多證據(jù)推理
3.2 圖像壓縮
4 結(jié)束語
參考文獻(xiàn)
專題10 神經(jīng)網(wǎng)絡(luò)規(guī)則抽取
1 引言
2 起源和發(fā)展
3 規(guī)則和評價
3.1 規(guī)則類型
3.2 評價體系
4 算法分類
4.1 ADT分類學(xué)
4.2 分解型算法
4.3 教學(xué)型算法
4.4 折中型算法
4.5 復(fù)合型算法
5 討論
5.1 規(guī)則抽取與連接主義
5.2 "用神經(jīng)網(wǎng)絡(luò)抽取規(guī)則"和"為神經(jīng)網(wǎng)絡(luò)抽取規(guī)則"
6 結(jié)束語
參考文獻(xiàn)
專題11 神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)數(shù)據(jù)處理中的應(yīng)用
1 引言
2 醫(yī)學(xué)數(shù)據(jù)處理中的神經(jīng)網(wǎng)絡(luò)
2.1 單個的神經(jīng)網(wǎng)絡(luò)及其與其他方法的組合
2.2 神經(jīng)網(wǎng)絡(luò)集成
2.3 支持向量機(jī)
3 醫(yī)學(xué)數(shù)據(jù)處理的分類
3.1 分類問題
3.2 回歸問題
3.3 聚類分析
4 專題綜述
4.1 醫(yī)學(xué)圖像處理
4.2 傳統(tǒng)中醫(yī)的研究
5 討論
參考文獻(xiàn)
專題12 漢語認(rèn)知的腦功能成像與神經(jīng)網(wǎng)絡(luò)
1 引言
1.1 揭示腦的奧秘是21世紀(jì)的最大挑戰(zhàn)
1.2 為什么研究漢語認(rèn)知
2 腦的結(jié)構(gòu)與功能分區(qū)
2.1 大腦皮層功能分區(qū)
2.2 腦的皮層下結(jié)構(gòu)
3 腦功能成像技術(shù)
3.1 腦功能成像技術(shù)簡介
3.2 腦功能成像技術(shù)的比較
3.3 腦功能成像實驗步驟及處理分析技術(shù)
4 漢語認(rèn)知研究
4.1 漢語認(rèn)知的腦半球偏側(cè)化
4.2 漢語認(rèn)知加工是否有不同于英文加工的特殊腦區(qū)
4.3 漢語拼音的對比研究
4.4 漢語認(rèn)知的腦內(nèi)信息加工模式
5 漢語認(rèn)知腦區(qū)間的相互作用及腦內(nèi)信息加工模式分析示例
5.1 研究目標(biāo)
5.2 研究背景
5.3 實驗材料和方法
5.4 數(shù)據(jù)處理分析
5.5 實驗結(jié)果
5.6 結(jié)果討論
5.7 初步結(jié)論
6 本領(lǐng)域研究存在的問題及未來趨勢
6.1 腦功能成像技術(shù)的局限
6.2 認(rèn)知任務(wù)的個體差異
6.3 認(rèn)知任務(wù)操作中伴隨的意識、情緒等成分
6.4 神經(jīng)建模方法的未來
6.5 腦研究需要全球性的科研大合作：全球知識管理系統(tǒng)的建立
6.6 多學(xué)科交叉的神經(jīng)信息學(xué)研究方法
6.7 結(jié)語
參考文獻(xiàn)
專題13 認(rèn)知心理學(xué)與神經(jīng)網(wǎng)絡(luò)
1 引言
2 聯(lián)結(jié)主義認(rèn)知心理學(xué)的基本思想
2.1 聯(lián)結(jié)主義的基本含義
2.2 亞符號范式
2.3 聯(lián)結(jié)主義心理學(xué)的若干假設(shè)
2.4 聯(lián)結(jié)主義心理學(xué)的特征
3 聯(lián)結(jié)主義對于知覺效應(yīng)的研究
3.1 問題的提出
3.2 級連相關(guān)模型
3.3 實驗研究
4 Stroop任務(wù)
4.1 Stroop任務(wù)的模型框架
4.2 神經(jīng)網(wǎng)絡(luò)模型
5 記憶
5.1 聯(lián)想記憶
5.2 語義記憶
5.3 記憶和表征
5.4 內(nèi)隱記憶和外顯記憶
6 語言
6.1 關(guān)于詞匯發(fā)音的模型
6.2 詞匯命名模型和吸引子模型
6.3 神經(jīng)網(wǎng)絡(luò)對于語言規(guī)則的表征和推導(dǎo)
6.4 人稱代詞的獲得問題
6.5 漢語認(rèn)知研究
7 問題解決的研究
7.1 兒童關(guān)于"天平問題"的判斷
7.2 距離、時間和速度問題
8 知識的組織
8.1 信息加工理論的模型
8.2 聯(lián)結(jié)主義理論的模型
9 決策
9.1 研究設(shè)計
9.2 實驗
9.3 模擬
9.4 結(jié)果和討論
9.5 結(jié)論
10 認(rèn)知發(fā)展問題
10.1 計算發(fā)展心理學(xué)
10.2 已經(jīng)得到的有意義的結(jié)論
10.3 目前尚存的問題
11 聯(lián)結(jié)主義和認(rèn)知測量
11.1 問題的提出
11.2 聯(lián)結(jié)主義模型
11.3 連續(xù)記分IRT模型
11.4 計算機(jī)模擬實驗的設(shè)計和實施
12 展望
12.1 已經(jīng)取得的進(jìn)展
12.2 存在的問題和今后的研究課題
參考文獻(xiàn)