人工腦信息處理模型及其應用

《智能科學技術著作叢書》序
序
前言
第1章  緒論
  1．1  人工腦的含義
    1．1．1人工腦的概念及功能
    1．1．2  人工腦的定義
    1．1．3  人工腦與超級計算機
  1．2  人腦的信息模型
    1．2．1  人腦的結構
    1．2．2  大腦皮層功能區(qū)
    1．2．3  人腦信息處理機制
    1．2．4  學習記憶機制
  1．3  人腦與電腦的比較
    1．3．1  人腦與電腦功能的差別
    1．3．2  人腦與電腦的優(yōu)缺點
    1．3．3  電腦的未來
  1．4  人工腦的發(fā)展
    1．4．1  早期的機器智能研究
    1．4．2  計算機仿真進化模型
    1．4．3  人工神經網絡與智能信息處理
    1．4．4  細胞自動機
    1．4．5  日本第五代智能計算機
    1．4．6  第六代電子計算機——神經計算機
    1．4．7   ATR的“細胞自動機-仿腦計劃”
    1．4．8  其他嘗試
  1．5  研究方法實現(xiàn)技術
    1．5．1  生命科學基本概念
    1．5．2  神經工程
    1．5．3  人工神經網絡
    1．5．4  誤差反向傳播
    1．5．5  知識涌現(xiàn)
    1．5．6   ATR細胞自動機-仿腦的實現(xiàn)
    1．5．7  發(fā)展預測
  1．6  展望
    1．6．1  硬件方面
    1．6．2  軟件方面
    1．6．3  研究方向
  參考文獻
第2章  人工腦信息處理神經網絡模型
  2．1  人工神經網絡模型
  2．2  前向網絡
  2．3  前向神經網絡的分類(能力)模型
  2．4  應用BP學習算法進行模式分類的隱患定理
  2．5  一種新的多層感知神經網絡模式分類模型
  2．6  分式線性神經網絡及其非線性逼近能力研究
    2．6．1  分式線性神經網絡
    2．6．2  分式線性神經網絡的非線性逼近能力
    2．6．3  分式線性神經網絡的BP學習算法
    2．6．4  分式線性神經網絡與BP神經網絡在無界區(qū)域上逼近能力的比較
    2．6．5  無界區(qū)域上的映射逼近仿真實驗
  2．7  基于遺傳算法的分式線性神經網絡優(yōu)化設計與應用
    2．7．1  遺傳算法
    2．7．2  基于遺傳算法的分式線性神經網絡BP算法設計
    2．7．3  基于遺傳算法的分式線性神經網絡的大慶降雨量預測模型
  2．8  基于神經網絡的廣域上非線性連續(xù)映射分塊并行建模方法的研究
    2．8．1  廣域上非線性連續(xù)映射分塊并行建模的必要性
    2．8．2  廣域上非線性連續(xù)映射的神經網絡分塊并行模型  
    2．8．3  小結
  2．9  基于虛擬信源和神經網絡的無損數(shù)據壓縮方法的研究
    2．9．1  0與1字符串的虛擬信源
    2．9．2  虛擬信源的一種神經網絡模型
    2．9．3  基于虛擬信源的無損數(shù)據壓縮原理
    2．9．4  實驗結果
  2．10  本章小結
  參考文獻
第3章  人工腦的基于同源同類事物連通本性的模式識別模型
  3．1  仿生模式識別的兩個關鍵技術問題研究
    3．1．1  同類事物連續(xù)(連通)通路、方向的確定
    3．1．2  判定高維空間中一點Z是否屬于滿意覆蓋體□的技術
    3．1．3  應用實驗
  3．2  基于同源同類事物連通本性的認證識別神經網絡
    3．2．1  同源同類事物連通連網排序技術  
    3．2．2  超香腸神經元構造和優(yōu)先度排序超香腸覆蓋神經網絡設計
  3．3  基于同源同類事物連通本性的模式分類SLAM模型
    3．3．1  通用前饋網絡拓撲結構
    3．3．2  保同源同類事物局部直接連通的模式分類sLAM模型  
    3．3．3  實驗與分析
    3．3．4  小結
  3．4  基于同源同類事物連通本性的分塊并行優(yōu)先度排序神經網絡
    3．4．1  訓練樣本連通連網排序
    3．4．2  分塊并行優(yōu)先度排序神經網絡拓撲結構
    3．4．3  基于同源同類事物連通本性的分塊并行優(yōu)先度排序神經網絡算法  
  3．5  基于同源同類事物連通本性的分塊并行優(yōu)先度排序RBF神經網絡
    3．5．1  基于同源同類事物連通本性的優(yōu)先度排序RBF網絡的拓撲結構
    3．5．2  基于同源同類事物連通本性的優(yōu)先度排序：RBF網絡的訓練算法
    3．5．3  新增樣本的增量學習
  3．6  基于同源同類事物連通本性的分塊并行優(yōu)先度排序DBF神經網絡
  3．7  基于同源同類事物連通本性的分塊并行優(yōu)先度排序通用高階神經網絡
  3．8  基于同源同類事物連通本性的分塊并行優(yōu)先度排序SVM
    3．8．1  訓練樣本連通排序
    3．8．2  分塊并行優(yōu)先度排序SVM拓撲結構
    3．8．3  基于同源同類事物連通本性的分塊并行優(yōu)先度排序SVM算法
  3．9  模式可拓識別與模式可拓識別神經網絡模型
    3．9．1  模式可拓識別方法
    3．9．2  高維模式可拓識別的一種神經網絡模型
    3．9．3  小結
    參考文獻
第4章  人工腦感知聯(lián)想記憶模型
  4．1  時變容錯域的感知聯(lián)想記憶模型及其實現(xiàn)算法
    4．1．1  時變容錯域的四層感知聯(lián)想記憶模型及其實現(xiàn)算法
    4．1．2  時變容錯域感知聯(lián)想記憶模型的遺忘與記憶擴充
    4．1．3  仿真實驗與討論
    4．1．4  小結
  4．2  人工腦可控容錯域的聯(lián)想記憶模型與仿真實現(xiàn)
    4．2．1  可控容錯域聯(lián)想記憶的樣本容錯域設計．
    4．2．2  可控容錯域聯(lián)想記憶模型的分塊并行確定方法．
  4．3  本章小結
    參考文獻
第5章  人工腦具有期望容錯域的聯(lián)想記憶模型的設計方法
  5．1  人工腦具有期望容錯域的前向掩蔽聯(lián)想記憶模型的設計方法
    5．1．1  引言
    5．1．2  前向掩蔽聯(lián)想記憶模型的樣本任意期望容錯域設計
    5．1．3  期望容錯域的前向掩蔽聯(lián)想記憶模型拓撲結構
    5．1．4  期望容錯域的前向掩蔽聯(lián)想記憶模型確定的排序學習算法
    5．1．5  小結
  5．2  人工腦具有期望時變容錯域的聯(lián)想記憶模型的設計方法
    5．2．1  聯(lián)想記憶模型的樣本任意期望容錯域設計
    5．2．2  聯(lián)想記憶模型的拓撲結構
    5．2．3  基于排序學習與增量學習相結合的聯(lián)想記憶模型確定
    5．2．4  小結
  5．3  具有期望容錯域的超弦星系聯(lián)想記憶模型的設計方法
    5．3．1  超弦理論與聯(lián)想記憶
    5．3．2  超弦星系聯(lián)想記憶模型的樣本任意期望容錯域設計
    5．3．3  期望容錯域的超弦星系聯(lián)想記憶模型拓撲結構
    5．3．4  期望容錯域的超弦星系聯(lián)想記憶模型確定
    5．3．5  遺忘與記憶擴充算法
    5．3．6  聯(lián)想記憶模型實例
    5．3．7  小結
  參考文獻
第6章  人工腦擬人處理矛盾的物元動態(tài)系統(tǒng)模型化方法
  6．1  廣義物元系統(tǒng)可拓集的概念l
  6．2  廣義物元系統(tǒng)可拓集的運算
  6．3  廣義物元系統(tǒng)可拓集的限制
  6．4  廣義限制物元系統(tǒng)和廣義?制物元系統(tǒng)可拓關系
  6．5  廣義問題的概念
  6．6  廣義問題的模型
  6．7  廣義問題求解
    6．7．1  對立問題的轉換及轉折解法
    6．7．2  不相容問題轉換及轉折解法
    6．7．3  不相容關系問題的轉換及轉折解法
    6．7．4  廣義問題求解過程
    6．7．5  廣義問題求解算法
  6．8  物元可拓集中面向實際的關聯(lián)函數(shù)建立方法
  6．9  物元系統(tǒng)與或網及擬人推理
    6．9．1  物元系統(tǒng)與或網概念及特點
    6．9．2  基于物元系統(tǒng)與或網的擬人推理  
  6．10  本章小結
    參考文獻
第7章  人工魚的廣義模型
  7．1  人工魚模型概述
  7．2  擴展的人工魚模型
  7．3  人工魚的局部運動規(guī)律建模和模型的隨機連續(xù)切換
  7．4  叼食物行為運動規(guī)律模型
  7．5  人工魚社會行為系統(tǒng)
  7．6  本章小結
    參考文獻
第8章  結論與展望