人工神經(jīng)網(wǎng)絡理論、設計及應用（第三版）

第1章緒論 \n
1.1人腦與計算機001 \n
1.1.1人腦與計算機信息處理能力的比較002 \n
1.1.2人腦與計算機信息處理機制的比較003 \n
1.1.3什么是人工神經(jīng)網(wǎng)絡004 \n
1.2人工神經(jīng)網(wǎng)絡發(fā)展簡史005 \n
1.2.1啟蒙期005 \n
1.2.2低潮期007 \n
1.2.3復興期009 \n
1.2.4高潮期010 \n
1.2.5大數(shù)據(jù)期010 \n
1.3神經(jīng)網(wǎng)絡的基本特征與功能013 \n
1.3.1神經(jīng)網(wǎng)絡的基本特征013 \n
1.3.2神經(jīng)網(wǎng)絡的基本功能014 \n
1.4神經(jīng)網(wǎng)絡的應用領域015 \n
1.4.1信息處理領域015 \n
1.4.2自動化領域016 \n
1.4.3工程領域016 \n
1.4.4經(jīng)濟領域017 \n
1.4.5醫(yī)學領域018 \n
1.5本章小結(jié)018 \n
思考與練習019 \n
\n
第2章神經(jīng)網(wǎng)絡基礎知識 \n
2.1人工神經(jīng)網(wǎng)絡的生物學基礎020 \n
2.1.1生物神經(jīng)元的結(jié)構(gòu)020 \n
2.1.2生物神經(jīng)元的信息處理機理021 \n
2.2人工神經(jīng)元模型024 \n
2.2.1神經(jīng)元的建模024 \n
2.2.2神經(jīng)元的數(shù)學模型025 \n
2.2.3神經(jīng)元的轉(zhuǎn)移函數(shù)026 \n
2.3人工神經(jīng)網(wǎng)絡模型027 \n
2.3.1網(wǎng)絡拓撲結(jié)構(gòu)類型028 \n
2.3.2網(wǎng)絡信息流向類型029 \n
2.4神經(jīng)網(wǎng)絡學習方式030 \n
2.4.1監(jiān)督學習031 \n
2.4.2無監(jiān)督學習031 \n
2.5神經(jīng)網(wǎng)絡學習規(guī)則031 \n
2.5.1Hebb學習規(guī)則032 \n
2.5.2Perceptron （感知器）學習規(guī)則034 \n
2.5.3δ（Delta）學習規(guī)則034 \n
2.5.4LMS（最小均方）學習規(guī)則036 \n
2.5.5Correlation（相關）學習規(guī)則036 \n
2.5.6Winner-Take-All（勝者為王）學習規(guī)則036 \n
2.5.7Outstar（外星）學習規(guī)則037 \n
2.6神經(jīng)網(wǎng)絡計算機程序?qū)崿F(xiàn)基礎038 \n
2.6.1神經(jīng)網(wǎng)絡結(jié)構(gòu)的程序?qū)崿F(xiàn)基礎038 \n
2.6.2神經(jīng)網(wǎng)絡學習算法的程序?qū)崿F(xiàn)基礎039 \n
2.6.3基于Python的神經(jīng)網(wǎng)絡實現(xiàn)方法039 \n
2.7本章小結(jié)040 \n
思考與練習041 \n
\n
第3章單層感知器 \n
3.1單層感知器模型042 \n
3.2單節(jié)點感知器的功能分析043 \n
3.3感知器的學習算法047 \n
3.4感知器的局限性及解決途徑048 \n
3.4.1感知器的局限性048 \n
3.4.2解決途徑049 \n
3.5本章小結(jié)051 \n
思考與練習052 \n
\n
第4章基于誤差反傳的多層感知器 \n
4.1BP網(wǎng)絡模型與算法055 \n
4.1.1BP網(wǎng)絡模型055 \n
4.1.2BP學習算法056 \n
4.2BP網(wǎng)絡的能力與局限059 \n
4.2.1BP網(wǎng)絡的主要能力059 \n
4.2.2誤差曲面與BP算法的局限性060 \n
4.3基于Python的BP算法實現(xiàn)061 \n
4.3.1BP算法流程061 \n
4.3.2基于Python的BP算法實現(xiàn)063 \n
4.4BP算法的改進070 \n
4.4.1增加動量項070 \n
4.4.2自適應調(diào)節(jié)學習率070 \n
4.4.3引入陡度因子071 \n
4.5BP網(wǎng)絡設計基礎071 \n
4.5.1網(wǎng)絡信息容量與訓練樣本數(shù)071 \n
4.5.2訓練樣本集的準備072 \n
4.5.3初始權(quán)值的設計076 \n
4.5.4BP網(wǎng)絡結(jié)構(gòu)設計076 \n
4.5.5網(wǎng)絡訓練與測試077 \n
4.6BP網(wǎng)絡應用與設計實例078 \n
4.6.1BP網(wǎng)絡用于催化劑配方建模078 \n
4.6.2BP網(wǎng)絡用于汽車變速器最佳擋位判定080 \n
4.6.3BP網(wǎng)絡用于圖像壓縮編碼080 \n
4.6.4BP網(wǎng)絡用于水庫優(yōu)化調(diào)度081 \n
4.6.5BP網(wǎng)絡用于證券預測082 \n
4.6.6BP網(wǎng)絡用于信用評價模型及預警083 \n
4.7本章小結(jié)084 \n
思考與練習084 \n
\n
第5章徑向基函數(shù)神經(jīng)網(wǎng)絡 \n
5.1基于徑向基函數(shù)技術(shù)的函數(shù)逼近與內(nèi)插087 \n
5.2正則化RBF網(wǎng)絡089 \n
5.2.1正則化RBF網(wǎng)絡的結(jié)構(gòu)及特點089 \n
5.2.2正則化RBF網(wǎng)絡的學習算法090 \n
5.3廣義RBF神經(jīng)網(wǎng)絡090 \n
5.3.1模式的可分性090 \n
5.3.2廣義RBF網(wǎng)絡091 \n
5.3.3廣義RBF網(wǎng)絡的設計方法092 \n
5.3.4廣義RBF網(wǎng)絡數(shù)據(jù)中心的聚類算法093 \n
5.3.5廣義RBF網(wǎng)絡數(shù)據(jù)中心的監(jiān)督學習算法094 \n
5.4基于Python的RBF網(wǎng)絡學習算法實現(xiàn)095 \n
5.4.1基于聚類的數(shù)據(jù)中心及RBF網(wǎng)絡程序?qū)崿F(xiàn)095 \n
5.4.2基于監(jiān)督學習的學習算法程序?qū)崿F(xiàn)098 \n
5.5RBF網(wǎng)絡與BP網(wǎng)絡的比較101 \n
5.6RBF網(wǎng)絡設計應用實例102 \n
5.6.1RBF網(wǎng)絡在液化氣銷售量預測中的應用102 \n
5.6.2RBF網(wǎng)絡在地表水質(zhì)評價中的應用102 \n
5.6.3RBF網(wǎng)絡在汽油干點軟測量中的應用103 \n
5.6.4RBF網(wǎng)絡在地下溫度預測中的應用105 \n
5.7本章小結(jié)107 \n
\n
第6章競爭學習神經(jīng)網(wǎng)絡 \n
6.1競爭學習的概念與原理108 \n
6.1.1基本概念108 \n
6.1.2競爭學習原理110 \n
6.2自組織特征映射神經(jīng)網(wǎng)絡113 \n
6.2.1SOM網(wǎng)的生物學基礎113 \n
6.2.2SOM網(wǎng)的拓撲結(jié)構(gòu)與權(quán)值調(diào)整域113 \n
6.2.3自組織特征映射網(wǎng)的運行原理與學習算法115 \n
6.3基于Python的SOM網(wǎng)絡設計與實現(xiàn)119 \n
6.3.1SOM網(wǎng)絡的程序設計思路119 \n
6.3.2基于neupy擴展模塊的SOM網(wǎng)絡程序設計120 \n
6.4自組織特征映射網(wǎng)絡的設計與應用123 \n
6.4.1SOM網(wǎng)的設計基礎123 \n
6.4.2設計與應用實例125 \n
6.5自適應共振理論131 \n
6.5.1ARTⅠ型網(wǎng)絡132 \n
6.5.2ARTⅠ型網(wǎng)絡的應用136 \n
6.5.3ARTⅡ型網(wǎng)絡140 \n
6.5.4ARTⅡ型網(wǎng)絡的應用143 \n
6.6本章小結(jié)146 \n
思考與練習147 \n
\n
第7章組合學習神經(jīng)網(wǎng)絡 \n
7.1學習向量量化神經(jīng)網(wǎng)絡149 \n
7.1.1向量量化（LVQ）149 \n
7.1.2LVQ網(wǎng)絡結(jié)構(gòu)與工作原理150 \n
7.1.3LVQ網(wǎng)絡的學習算法150 \n
7.1.4基于Python的LVQ網(wǎng)絡學習算法實現(xiàn)152 \n
7.1.5LVQ網(wǎng)絡的設計與應用154 \n
7.2對向傳播神經(jīng)網(wǎng)絡157 \n
7.2.1網(wǎng)絡結(jié)構(gòu)與運行原理157 \n
7.2.2CPN的學習算法158 \n
7.2.3基于Python的CPN學習算法實現(xiàn)159 \n
7.2.4改進的CPN舉例162 \n
7.2.5CPN的應用163 \n
7.3本章小結(jié)165 \n
思考與練習165 \n
\n
第8章反饋神經(jīng)網(wǎng)絡 \n
8.1離散型Hopfield神經(jīng)網(wǎng)絡167 \n
8.1.1網(wǎng)絡的結(jié)構(gòu)與工作方式167 \n
8.1.2網(wǎng)絡的穩(wěn)定性與吸引子168 \n
8.1.3網(wǎng)絡的權(quán)值設計173 \n
8.1.4網(wǎng)絡的信息存儲容量175 \n
8.2連續(xù)型Hopfield神經(jīng)網(wǎng)絡176 \n
8.2.1網(wǎng)絡的拓撲結(jié)構(gòu)176 \n
8.2.2能量函數(shù)與穩(wěn)定性分析177 \n
8.3Hopfield網(wǎng)絡應用與設計實例178 \n
8.3.1應用DHNN解決聯(lián)想問題178 \n
8.3.2應用CHNN解決優(yōu)化計算問題179 \n
8.4雙向聯(lián)想記憶（BAM）神經(jīng)網(wǎng)絡182 \n
8.4.1BAM網(wǎng)結(jié)構(gòu)與原理182 \n
8.4.2能量函數(shù)與穩(wěn)定性183 \n
8.4.3BAM網(wǎng)的權(quán)值設計184 \n
8.4.4BAM網(wǎng)的應用185 \n
8.5隨機神經(jīng)網(wǎng)絡186 \n
8.5.1模擬退火原理187 \n
8.5.2Boltzmann機188 \n
8.6本章小結(jié)192 \n
思考與練習193 \n
\n
第9章支持向量機 \n
9.1支持向量機的基本思想195 \n
9.1.1最優(yōu)超平面的概念195 \n
9.1.2最優(yōu)超平面的構(gòu)建196 \n
9.2支持向量機神經(jīng)網(wǎng)絡199 \n
9.3支持向量機的學習算法200 \n
9.4基于Python的SVM學習算法201 \n
9.5支持向量機處理XOR問題203 \n
9.6本章小結(jié)204 \n
\n
第10章深度神經(jīng)網(wǎng)絡 \n
10.1深層網(wǎng)絡模型的提出206 \n
10.2深度網(wǎng)絡的網(wǎng)絡類型和學習算法208 \n
10.2.1深度網(wǎng)絡的典型類型208 \n
10.2.2深度網(wǎng)絡學習算法及改進209 \n
10.3卷積神經(jīng)網(wǎng)絡212 \n
10.3.1CNN的基本概念及原理212 \n
10.3.2CNN的模型與參數(shù)設計215 \n
10.3.3CNN的學習217 \n
10.3.4基于Python的CNN實現(xiàn)217 \n
10.3.5CNN應用221 \n
10.4生成對抗網(wǎng)絡222 \n
10.4.1生成模型與判別模型222 \n
10.4.2生成對抗網(wǎng)絡GAN的結(jié)構(gòu)與核心思想223 \n
10.4.3GAN的學習算法224 \n
10.4.4基于Python的GAN實現(xiàn)225 \n
10.4.5GAN的改進與應用229 \n
10.5本章小結(jié)230 \n
\n
附錄 \n
附錄1例題與詳解232 \n
附錄2神經(jīng)網(wǎng)絡常用術(shù)語英漢對照252 \n
\n
參考文獻