人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論

第一章 引言
1.1 人工神經(jīng)網(wǎng)絡(luò)的提出
1.1.1 智能與人工智能
1.1.2 物理符號系統(tǒng)
1.1.3 聯(lián)接主義觀點
1.1.4 兩種模型的比較
1.2 人工神經(jīng)網(wǎng)絡(luò)的特點
1.2.1 人工神經(jīng)網(wǎng)絡(luò)的概念
1.2.2 學習能力
1.2.3 基本特征的自動提取
1.2.4 信息的分布存放
1.2.5 適用性問題
1.3 歷史回顧
1.3.1 萌芽期
1.3.2 第一高潮期
1.3.3 反思期
1.3.4 第二高潮期
1.3.5 再認識與應(yīng)用研究期
練習題
第二章 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
2.1 生物神經(jīng)網(wǎng)絡(luò)
2.2 人工神經(jīng)元
2.2.1 人工神經(jīng)元的基本構(gòu)成
2.2.2 激活函數(shù)(ActivationFunction)
2.2.3 M-P模型
2.3 A.工神經(jīng)網(wǎng)絡(luò)的拓撲特性
2.3.1 聯(lián)接模式
2.3.2 網(wǎng)絡(luò)的分層結(jié)構(gòu)
2.4 存儲與映射
2.5 人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。
2.5.1 無導(dǎo)師學習
2.5.2 有導(dǎo)師學習
練習題
第三章 感知器
3.1 感知器與人工神經(jīng)網(wǎng)絡(luò)的早期發(fā)展
3.2 感知器的學習算法
3.2.1 離散單輸出感知器訓(xùn)練算法
3.2.2 離散多輸出感知器訓(xùn)練算法
3.2.3 連續(xù)多輸出感知器訓(xùn)練算法
3.3 線性不可分問題
3.3.1 異或(Exclusive-0R)問題
3.3.2 線性不可分問題的克服
練習題
第四章 BP網(wǎng)絡(luò)
4.1 概述
4.2 基本BP算法
4.2.1 網(wǎng)絡(luò)的構(gòu)成
4.2.2 訓(xùn)練過程概述
4.2.3 誤差傳播分析
4.2.4 基本的BP算法
4.3 算法的改進
4.4 算法的實現(xiàn)
4.5 算法的理論基礎(chǔ)
4.6 幾個問題的討論
練習題
第五章 對傳網(wǎng)
5.1 網(wǎng)絡(luò)結(jié)構(gòu)
5.2 網(wǎng)絡(luò)的正常運行
5.2.1 Kohonen層
5.2.2 Grossberg層
5.3 Kohonen層的訓(xùn)練
5.3.1 輸入向量的預(yù)處理
5.3.2 訓(xùn)練
5.4 Kohonen層聯(lián)接權(quán)的初始化方法
5.5 Grossberg層的訓(xùn)練
5.6 補充說明
練習題
第六章 非確定方法
6.1 基本的非確定訓(xùn)練算法
6.2 模擬退火算法
6.3 Cauchy訓(xùn)練
6.4 相關(guān)的幾個問題
練習題一
第七章 循環(huán)網(wǎng)絡(luò)
7.1 循環(huán)網(wǎng)絡(luò)的組織
7.2 穩(wěn)定性分析
7.3 統(tǒng)計Hopfield網(wǎng)與Boltzmann機
7.4 雙聯(lián)存儲器的結(jié)構(gòu)
7.5 異相聯(lián)存儲
7.6 其他的雙聯(lián)存儲器
7.7 Hopfield網(wǎng)用于解決TSP問題
練習題
第八章 自適應(yīng)共振理論
8.1 ART的結(jié)構(gòu)
8.2 ART的初始化
8.2.1 T的初始化
8.2.2 B的初始化
8.2.3 p的初始化
8.3 ART的實現(xiàn)
練習題
參考文獻