神經(jīng)網(wǎng)絡

定　價：￥37.00

作　者：	史忠植編著
出版社：	高等教育出版社
叢編項：
標　簽：	人工智能

購買這本書可以去

ISBN：	9787040265446	出版時間：	2009-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	330	字數(shù)：

內(nèi)容簡介

　　《神經(jīng)網(wǎng)絡》系統(tǒng)地論述了神經(jīng)網(wǎng)絡的基本原理、方法、技術和應用，主要內(nèi)容包括：神經(jīng)信息處理的基本原理、感知器、反向傳播網(wǎng)絡、自組織網(wǎng)絡、遞歸網(wǎng)絡、徑向基函數(shù)網(wǎng)絡、核函數(shù)方法、神經(jīng)網(wǎng)絡集成、模糊神經(jīng)網(wǎng)絡、概率神經(jīng)網(wǎng)絡、脈沖耦合神經(jīng)網(wǎng)絡、神經(jīng)場理論、神經(jīng)元集群以及神經(jīng)計算機。每章末附有習題，書末附有詳細的參考文獻。神經(jīng)網(wǎng)絡是通過對人腦或生物神經(jīng)網(wǎng)絡的抽象和建模，研究非程序的、適應性的、大腦風格的信息處理的本質和能力。它以腦科學和認知神經(jīng)科學的研究成果為基礎，拓展智能信息處理的方法，為解決復雜問題和智能控制提供有效的途徑，是智能科學和計算智能的重要部分?！渡窠?jīng)網(wǎng)絡》內(nèi)容豐富，反映了當前國內(nèi)外該領域的最新研究成果和動向，可作為高等院校相關專業(yè)研究生及高年級本科生的神經(jīng)網(wǎng)絡、神經(jīng)計算課程的教材，也可供從事神經(jīng)網(wǎng)絡、智能信息處理、模式識別、智能控制研究與應用的科技人員參考。

作者簡介

暫缺《神經(jīng)網(wǎng)絡》作者簡介

圖書目錄

第1章緒論
1.1 概述
1.2 神經(jīng)網(wǎng)絡的研究歷史
1.3 人腦的神經(jīng)系統(tǒng)
1.3.1 神經(jīng)元
1.3.2 突觸
1.3.3 動作電位
1.3.4 離子通道
1.4 神經(jīng)信息處理的基本原理
1.5 簡單的神經(jīng)網(wǎng)絡模型
1.5.1 簡單線性模型
1.5.2 線性閾值單元
1.5.3 盒中腦狀態(tài)
1.5.4 熱力學模型
1.6 神經(jīng)網(wǎng)絡的研究內(nèi)容
1.7 神經(jīng)網(wǎng)絡的分類
1.8 神經(jīng)網(wǎng)絡研究的發(fā)展方向
習題
第2章感知器
2.1 感知器的認知觀點
2.2 單層感知器
2.2.1 單層感知器網(wǎng)絡結構
2.2.2 感知器的學習算法
2.2.3 感知器算法的收斂性
2.2.4 異或問題
2.3 多層感知器
2.4 學習算法的優(yōu)化
2.4.1 最速下降法
2.4.2 牛頓方法
2.4.3 高斯一牛頓方法
2.5 最小均方(LMS)算法
2.5.1 最小均方算法描述
2.5.2 最小均方算法的收斂性
2.5.3 最小均方算法的評價
習題
第3章反向傳播網(wǎng)絡
3.1 概述
3.2 反向傳播網(wǎng)絡的結構
3.3 反向傳播算法
3.3.1 反向傳播算法的基本原理
3.3.2 反向傳播算法的問題
3.4 反向傳播算法性能分析
3.5 反向傳播算法的改進
3.5.1 動量反向傳播算法
3.5.2 批量更新
3.5.3 搜索然后收斂方法
3.5.4 自適應BP算法
3.5.5 共軛梯度法
3.5.6 擬牛頓法
3.5.7 Levenberg-Marquardt算法
3.6 反向傳播網(wǎng)絡學習程序
習題
第4章自組織網(wǎng)絡
4.1 概述
4.2 Kohonen自組織映射
4.2.1 自組織映射過程
4.2.2 SOM算法
4.2.3 特征映射
4.2.4 拓撲排序
4.2.5 密度匹配
4.3 學習向量量化
4.4 自適應共振理論神經(jīng)網(wǎng)絡
4.4.1 ART模型的結構
4.4.2 ART的基本工作原理
4.4.3 ART模型的數(shù)學描述
4.5 認知器
4.5.1 認知器的結構
4.5.2 新認知器
4.6 主成分分析
4.6.1 基本原理
4.6.2 單個神經(jīng)元的主成分
4.6.3 單層網(wǎng)絡主成分提取
4.6.4 側抑制自適應主成分提取算法
4.7 獨立成分分析
4.7.1 基本概念
4.7.2 獨立成分分析神經(jīng)網(wǎng)絡
4.7.3 快速固定點算法
習題
第5章遞歸網(wǎng)絡
5.1 概述
5.2 遞歸網(wǎng)絡體系結構
5.2.1 輸入輸出遞歸網(wǎng)絡
5.2.2 狀態(tài)空間模型
5.2.3 遞歸多層感知器
5.2.4 二階網(wǎng)絡
5.3 狀態(tài)空間模型
5.4 Hopfield網(wǎng)絡
5.4.1 離散Hopfield網(wǎng)絡
5.4.2 聯(lián)想記憶
5.4.3 離散H0pfield網(wǎng)絡運行程序
5.4.4 連續(xù)H0p6eld網(wǎng)絡
5.5 雙向聯(lián)想記憶模型
5.6 模擬退火算法
5.7 玻爾茲曼機
5.7.1 網(wǎng)絡結構
5.7.2 學習算法
習題
第6章徑向基函數(shù)網(wǎng)絡
6.1 概述
6.2 徑向基函數(shù)數(shù)學基礎
6.2.1 插值計算
6.2.2 模式可分性
6.2.3 正則化理論
6.3 徑向基函數(shù)網(wǎng)絡結構
6.3.1 RBF網(wǎng)絡拓撲結構
6.3.2 RBF網(wǎng)絡元素
6.4 RBF網(wǎng)絡算法分析
6.4.1 RBF中心向量確定
6.4.2 RBF算法
6.4.3 RBF網(wǎng)絡性能分析
6.5 RBF網(wǎng)絡算法優(yōu)化
6.5.1 基于免疫算法的RBF網(wǎng)絡優(yōu)化
6.5.2 基于遺傳算法的RBF網(wǎng)絡優(yōu)化
6.6 CMAC網(wǎng)絡
6.7 泛函數(shù)連接網(wǎng)絡
6.8 小波神經(jīng)網(wǎng)絡
6.9 過程神經(jīng)網(wǎng)絡
6.9.1 過程神經(jīng)網(wǎng)絡模型
6.9.2 學習算法
習題
第7章核函數(shù)方法
7.1 概述
7.2 統(tǒng)計學習問題
7.2.1 經(jīng)驗風險
7.2.2 VC維
7.3 學習過程的一致性
7.3.1 學習一致性的經(jīng)典定義
7.3.2 學習理論的重要定理
7.3.3 VC熵
7.4 結構風險最小歸納原理
7.5 支持向量機
7.5.1 線性可分
……
第8章神經(jīng)網(wǎng)絡集成
第9章模糊神經(jīng)網(wǎng)絡
第10章概率神經(jīng)網(wǎng)絡
第11章脈沖耦合神經(jīng)網(wǎng)絡
第12章神經(jīng)場理論
第13章神經(jīng)元集群
第14章神經(jīng)計算機