图书介绍
人工神经网络教程PDF|Epub|txt|kindle电子书版本下载
- 韩力群编著 著
- 出版社： 北京：北京邮电大学出版社
- ISBN：9787563513673
- 出版时间：2006
- 标注页数：330页
- 文件大小：19MB
- 文件页数：346页
- 主题词：人工神经元网络－研究生－教材
PDF下载
下载说明
人工神经网络教程PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 绪论1
1.1 人工神经网络概述1
1.1.1 人脑与计算机信息处理能力的比较2
1.1.2 人脑与计算机信息处理机制的比较3
1.1.3 什么是人工神经网络4
1.2 人工神经网络发展简史5
1.2.1 启蒙时期6
1.2.2 低潮时期8
1.2.3 复兴时期10
1.2.4 新时期11
1.2.5 国内研究概况14
1.3 神经网络的基本特点与功能14
1.3.1 神经网络的基本特点14
1.3.2 神经网络的基本功能15
1.4 神经网络的应用领域17
1.4.1 信息处理领域17
1.4.2 自动化领域18
1.4.3 工程领域18
1.4.4 医学领域19
1.4.5 经济领域20
本章小结20
思考与练习21
第2章 人工神经网络建模基础22
2.1 脑的生物神经系统概述22
2.1.1 人体神经系统的构成23
2.1.2 高级中枢神经系统的功能24
2.1.3 脑组织的分层结构25
2.2 生物神经网络基础26
2.2.1 生物神经元的结构26
2.2.2 生物神经元的信息处理机理27
2.3 人工神经元模型29
2.3.1 神经元的建模30
2.3.2 神经元的数学模型31
2.3.3 神经元的变换函数32
2.4 人工神经网络模型34
2.4.1 网络拓扑结构类型34
2.4.2 网络信息流向类型36
2.5 神经网络学习37
2.5.1 Hebb学习规则39
2.5.2 离散感知器学习规则40
2.5.3 连续感知器学习规则41
2.5.4 最小均方学习规则42
2.5.5 相关学习规则43
2.5.6 胜者为王学习规则43
2.5.7 外星学习规则43
本章小结45
思考与练习45
第3章 感知器神经网络47
3.1 单层感知器47
3.1.1 感知器模型47
3.1.2 感知器的功能48
3.1.3 感知器的局限性50
3.1.4 感知器的学习算法51
3.2 多层感知器52
3.3 自适应线性单元简介55
3.3.1 ADALINE模型55
3.3.2 ADALINE学习算法56
3.3.3 ADALINE应用57
3.4 误差反传算法58
3.4.1 基于BP算法的多层感知器模型59
3.4.2 BP学习算法60
3.4.3 BP算法的程序实现63
3.4.4 多层感知器的主要能力65
3.4.5 误差曲面与BP算法的局限性65
3.5 标准BP算法的改进67
3.5.1 增加动量项67
3.5.2 自适应调节学习率67
3.5.3 引入陡度因子68
3.6 基于BP算法的多层感知器设计基础68
3.6.1 网络信息容量与训练样本数69
3.6.2 训练样本集的准备69
3.6.3 初始权值的设计73
3.6.4 多层感知器结构设计74
3.6.5 网络训练与测试75
3.7 基于BP算法的多层感知器应用与设计实例76
3.7.1 基于BP算法的多层感知器用于催化剂配方建模76
3.7.2 基于BP算法的多层前馈网用于汽车变速器最佳挡位判定77
3.7.3 基于BP算法的多层感知器用于图像压缩编码78
3.7.4 基于BP算法的多层感知器用于水库优化调度78
本章小结79
思考与练习80
第4章 自组织竞争神经网络84
4.1 竞争学习的概念与原理84
4.1.1 基本概念84
4.1.2 竞争学习原理86
4.2 自组织特征映射神经网络89
4.2.1 SOFM网的生物学基础89
4.2.2 SOFM网的拓扑结构与权值调整域89
4.2.3 SOFM网的运行原理与学习算法91
4.2.4 SOFM网的设计基础96
4.2.5 SOFM网应用与设计实例98
4.3 学习向量量化神经网络102
4.3.1 向量量化102
4.3.2 LVQ网络结构与工作原理103
4.3.3 LVQ网络的学习算法103
4.4 对偶传播神经网络105
4.4.1 网络结构与运行原理105
4.4.2 CPN的学习算法107
4.4.3 改进的CPN网108
4.4.4 CPN网的应用109
4.5 自适应共振理论网络110
4.5.1 ARTⅠ型网络110
4.5.2 ARTⅡ型网络118
本章小结122
思考与练习123
第5章 径向基函数神经网络127
5.1 基于径向基函数技术的函数逼近与内插127
5.1.1 插值问题描述127
5.1.2 径向基函数技术解决插值问题128
5.1.3 完全内插存在的问题129
5.2 正则化理论与正则化RBF网络131
5.2.1 正则化理论131
5.2.2 正则化RBF网络132
5.3 模式可分性观点与广义RBF网络133
5.3.1 模式的可分性133
5.3.2 广义RBF网络135
5.4 RBF网络常用学习算法135
5.4.1 数据中心的聚类算法136
5.4.2 数据中心的监督学习算法137
5.5 RBF网络与多层感知器的比较138
5.6 RBF网络的设计与应用实例139
5.6.1 RBF网络在液化气销售量预测中的应用139
5.6.2 RBF网络在地表水质评价中的应用140
5.6.3 RBF网络在汽油干点软测量中的应用141
本章小结143
思考与练习143
第6章 反馈神经网络146
6.1 离散型Hopfield神经网络146
6.1.1 网络的结构与工作方式146
6.1.2 网络的稳定性与吸引子147
6.1.3 网络的权值设计153
6.1.4 网络的信息存储容量154
6.2 连续型Hopfield神经网络155
6.2.1 网络的拓扑结构155
6.2.2 能量函数与稳定性分析157
6.3 Hopfield网络应用与设计实例158
6.3.1 应用DHNN网解决联想问题158
6.3.2 应用CHNN网解决优化计算问题158
6.4 双向联想记忆神经网络162
6.4.1 BAM网结构与原理162
6.4.2 能量函数与稳定性分析163
6.4.3 BAM网的权值设计164
6.4.4 BAM网的应用165
6.5 随机神经网络167
6.5.1 模拟退火原理167
6.5.2 Boltzmann机169
本章小结174
思考与练习175
第7章 小脑模型神经网络176
7.1 CMAC网络的结构176
7.2 CMAC网络的工作原理178
7.2.1 从X到M的映射178
7.2.2 从M到A的映射180
7.2.3 从A到Ap的映射181
7.2.4 从Ap到F的映射181
7.3 CMAC网络的学习算法182
7.4 CMAC网络的应用182
第8章 支持向量机185
8.1 支持向量机的基本思想185
8.1.1 最优超平面的概念185
8.1.2 线性可分数据最优超平面的构建187
8.1.3 非线性可分数据最优超平面的构建189
8.2 非线性支持向量机190
8.2.1 基于内积核的最优超平面190
8.2.2 非线性支持向量机神经网络192
8.3 支持向量机的学习算法193
8.4 支持向量机设计应用实例195
8.4.1 XOR问题195
8.4.2 人工数据分类197
8.4.3 手写体阿拉伯数字识别199
本章小结200
思考与练习201
第9章 遗传算法与神经网络进化202
9.1 遗传算法的原理与特点202
9.1.1 遗传算法的基本原理202
9.1.2 遗传算法的特点203
9.2 遗传算法的基本操作与模式理论204
9.2.1 遗传算法的基本操作204
9.2.2 遗传算法的模式理论207
9.3 遗传算法的实现与改进210
9.3.1 编码问题210
9.3.2 初始种群的产生210
9.3.3 适应度的设计211
9.3.4 遗传算法的操作步骤212
9.3.5 遗传算法中的参数选择212
9.3.6 遗传算法的改进213
9.4 遗传算法在神经网络设计中的应用214
9.4.1 遗传算法用于神经网络的权值优化214
9.4.2 遗传算法用于神经网络的结构优化217
本章小结220
思考与练习220
第10章 神经网络系统设计与软硬件实现221
10.1 神经网络系统总体设计221
10.1.1 神经网络的适用范围221
10.1.2 神经网络的设计过程与需求分析222
10.1.3 神经网络的性能评价224
10.1.4 输入数据的预处理227
10.2 神经网络的软件实现228
10.3 神经网络的高级开发环境229
10.3.1 神经网络的开发环境及其特征229
10.3.2 MATLAB神经网络工具箱230
10.3.3 其他神经网络开发环境简介235
10.4 神经网络的硬件实现237
10.4.1 概述237
10.4.2 神经元器件240
10.4.3 神经网络系统结构243
10.4.4 神经网络的光学实现247
本章小结250
第11章 人工神经系统251
11.1 人工神经系统的基本概念251
11.1.1 生物神经系统251
11.1.2 人工神经系统252
11.2 人工神经系统的体系结构253
11.2.1 高级中枢神经系统254
11.2.2 低级中枢神经系统255
11.2.3 外周神经系统256
11.3 人工神经系统的控制特性258
11.3.1 神经快速、分区控制系统258
11.3.2 体液慢速、分工控制系统258
11.3.3 人体神经控制系统258
11.4 人工神经系统的信息模式260
11.4.1 “数字-模拟”混合信息模式260
11.4.2 “串行-并行”兼容信息模式261
11.4.3 “集中-分散”结合信息模式261
11.5 人工神经系统的应用示例262
11.5.1 拟人智能综合自动化系统262
11.5.2 人工鱼的总体技术方案263
本章小结264
附录A 常用神经网络MATLAB程序265
附录B 常用神经网络C语言源程序282
附录C 神经网络常用术语英汉对照324
参考文献328