人工神經(jīng)網(wǎng)絡：理論·模型·算法與應用

第一章　神經(jīng)網(wǎng)絡基礎概論
§1.1　神經(jīng)網(wǎng)絡理論形成的科學背景
§1.2　神經(jīng)網(wǎng)絡理論的發(fā)展歷史與趨勢
1.2.1　早期階段
1.2.2　20世紀70年代的過渡期
1.2.3　20世紀80年代的高潮期
1.2.4 目前的研究狀況和方向
§1.3　人工神經(jīng)網(wǎng)絡的生物學基礎和人工神經(jīng)元模型
1.3.1　神經(jīng)網(wǎng)絡的生物學基礎
1.3.2　人工神經(jīng)元模型
§1.4　神經(jīng)網(wǎng)絡模型的定義和結(jié)構
1.4.1　神經(jīng)網(wǎng)絡模型的定義
1.4.2　神經(jīng)網(wǎng)絡模型的結(jié)構
§1.5　人工神經(jīng)網(wǎng)絡計算和傳統(tǒng)計算的特點比較
§1.6　神經(jīng)網(wǎng)絡的學習規(guī)則與實現(xiàn)
1.6.1　神經(jīng)網(wǎng)絡的學習規(guī)則
1.6.2　神經(jīng)網(wǎng)絡的實現(xiàn)
§1.7　神經(jīng)網(wǎng)絡的應用領域
第二章　前饋神經(jīng)網(wǎng)絡
§2.1　感知器
2.1.1　單層感知器的網(wǎng)絡結(jié)構
2.1.2 單層感知器的表征能力與線性可分性.
2.1.3　感知器的學習算法
§2.2　前饋型BP神經(jīng)網(wǎng)絡
2.2.1　BP網(wǎng)絡的結(jié)構
2.2.2　BP網(wǎng)絡的分類能力
§2.3　BP網(wǎng)絡的學習算法
2.3.1　誤差反向傳播學習算法(EBP)
2.3.2　EBP算法的缺點與改進
2.3.3　模擬退火算法
2.3.4　遺傳算法
§2.4　前饋型多層網(wǎng)絡的映射能力與逼近能力
2.4.1　前饋網(wǎng)絡的映射能力
2.4.2　前饋網(wǎng)絡的逼近能力
§2.5 BP網(wǎng)絡的設計討論
§2.6 BP學習算法的VC++語言編程及有關結(jié)果
2.6.1　EBP學習算法實現(xiàn)異或分類的C++語言程序
2.6.2　運行結(jié)果
§2.7　BP神經(jīng)網(wǎng)絡小結(jié)
§2.8　徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡
2.8.1　RBF神經(jīng)網(wǎng)絡的生物學背景與結(jié)構
2.8.2 RBF網(wǎng)絡的學習算法
§2.9　小波神經(jīng)網(wǎng)絡
2.9.1　小波函數(shù)的定義
2.9.2　小波神經(jīng)網(wǎng)絡的結(jié)構
2.9.3　小波神經(jīng)網(wǎng)絡的優(yōu)點和學習算法
§2.10　小腦模型神經(jīng)網(wǎng)絡
2.10.1 CMAC網(wǎng)絡的結(jié)構
2.10.2 CMAC網(wǎng)絡的學習算法
§2.11 FLAT神經(jīng)網(wǎng)絡
2.11.1 FLAT神經(jīng)網(wǎng)絡的結(jié)構
2.11.2 FLAT神經(jīng)網(wǎng)絡的學習算法
§2.12　用徑向基函數(shù)神經(jīng)網(wǎng)絡實現(xiàn)EEG信號的預測
2.12.1　預測原理及其模型
2.12.2 RBF網(wǎng)絡徑向基函數(shù)的改進
2.12.3　數(shù)據(jù)處理結(jié)果及討論
第三章　反饋神經(jīng)網(wǎng)絡
§3.1　概述
§3.2　離散Hopfield神經(jīng)網(wǎng)絡
3.2.1 網(wǎng)絡的結(jié)構及工作方式
3.2.2　網(wǎng)絡的能量函數(shù)與穩(wěn)定性分析
3.2.3　網(wǎng)絡的聯(lián)想記憶和記憶容量
　　……
第四章　自組織神經(jīng)網(wǎng)絡
第五章　混沌神網(wǎng)絡及其混沌控制
第六章　基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識
第七章　神經(jīng)網(wǎng)絡與自動控制
參考文獻
附錄1　用四階龍格—庫塔算法求解Lorenz系統(tǒng)的C語言程序
附錄2　時間序列快速傅立葉變換（FFT）的C語言程序