人工神經網絡理論、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網絡004 \n
1.2人工神經網絡發(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)據期010 \n
1.3神經網絡的基本特征與功能013 \n
1.3.1神經網絡的基本特征013 \n
1.3.2神經網絡的基本功能014 \n
1.4神經網絡的應用領域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經濟領域017 \n
1.4.5醫(yī)學領域018 \n
1.5本章小結018 \n
思考與練習019 \n
\n
第2章神經網絡基礎知識 \n
2.1人工神經網絡的生物學基礎020 \n
2.1.1生物神經元的結構020 \n
2.1.2生物神經元的信息處理機理021 \n
2.2人工神經元模型024 \n
2.2.1神經元的建模024 \n
2.2.2神經元的數(shù)學模型025 \n
2.2.3神經元的轉移函數(shù)026 \n
2.3人工神經網絡模型027 \n
2.3.1網絡拓撲結構類型028 \n
2.3.2網絡信息流向類型029 \n
2.4神經網絡學習方式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神經網絡學習規(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神經網絡計算機程序實現(xiàn)基礎038 \n
2.6.1神經網絡結構的程序實現(xiàn)基礎038 \n
2.6.2神經網絡學習算法的程序實現(xiàn)基礎039 \n
2.6.3基于Python的神經網絡實現(xiàn)方法039 \n
2.7本章小結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網絡模型與算法055 \n
4.1.1BP網絡模型055 \n
4.1.2BP學習算法056 \n
4.2BP網絡的能力與局限059 \n
4.2.1BP網絡的主要能力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自適應調節(jié)學習率070 \n
4.4.3引入陡度因子071 \n
4.5BP網絡設計基礎071 \n
4.5.1網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初始權值的設計076 \n
4.5.4BP網絡結構設計076 \n
4.5.5網絡訓練與測試077 \n
4.6BP網絡應用與設計實例078 \n
4.6.1BP網絡用于催化劑配方建模078 \n
4.6.2BP網絡用于汽車變速器最佳擋位判定080 \n
4.6.3BP網絡用于圖像壓縮編碼080 \n
4.6.4BP網絡用于水庫優(yōu)化調度081 \n
4.6.5BP網絡用于證券預測082 \n
4.6.6BP網絡用于信用評價模型及預警083 \n
4.7本章小結084 \n
思考與練習084 \n
\n
第5章徑向基函數(shù)神經網絡 \n
5.1基于徑向基函數(shù)技術的函數(shù)逼近與內插087 \n
5.2正則化RBF網絡089 \n
5.2.1正則化RBF網絡的結構及特點089 \n
5.2.2正則化RBF網絡的學習算法090 \n
5.3廣義RBF神經網絡090 \n
5.3.1模式的可分性090 \n
5.3.2廣義RBF網絡091 \n
5.3.3廣義RBF網絡的設計方法092 \n
5.3.4廣義RBF網絡數(shù)據中心的聚類算法093 \n
5.3.5廣義RBF網絡數(shù)據中心的監(jiān)督學習算法094 \n
5.4基于Python的RBF網絡學習算法實現(xiàn)095 \n
5.4.1基于聚類的數(shù)據中心及RBF網絡程序實現(xiàn)095 \n
5.4.2基于監(jiān)督學習的學習算法程序實現(xiàn)098 \n
5.5RBF網絡與BP網絡的比較101 \n
5.6RBF網絡設計應用實例102 \n
5.6.1RBF網絡在液化氣銷售量預測中的應用102 \n
5.6.2RBF網絡在地表水質評價中的應用102 \n
5.6.3RBF網絡在汽油干點軟測量中的應用103 \n
5.6.4RBF網絡在地下溫度預測中的應用105 \n
5.7本章小結107 \n
\n
第6章競爭學習神經網絡 \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網絡113 \n
6.2.1SOM網的生物學基礎113 \n
6.2.2SOM網的拓撲結構與權值調整域113 \n
6.2.3自組織特征映射網的運行原理與學習算法115 \n
6.3基于Python的SOM網絡設計與實現(xiàn)119 \n
6.3.1SOM網絡的程序設計思路119 \n
6.3.2基于neupy擴展模塊的SOM網絡程序設計120 \n
6.4自組織特征映射網絡的設計與應用123 \n
6.4.1SOM網的設計基礎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型網絡132 \n
6.5.2ARTⅠ型網絡的應用136 \n
6.5.3ARTⅡ型網絡140 \n
6.5.4ARTⅡ型網絡的應用143 \n
6.6本章小結146 \n
思考與練習147 \n
\n
第7章組合學習神經網絡 \n
7.1學習向量量化神經網絡149 \n
7.1.1向量量化（LVQ）149 \n
7.1.2LVQ網絡結構與工作原理150 \n
7.1.3LVQ網絡的學習算法150 \n
7.1.4基于Python的LVQ網絡學習算法實現(xiàn)152 \n
7.1.5LVQ網絡的設計與應用154 \n
7.2對向傳播神經網絡157 \n
7.2.1網絡結構與運行原理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165 \n
思考與練習165 \n
\n
第8章反饋神經網絡 \n
8.1離散型Hopfield神經網絡167 \n
8.1.1網絡的結構與工作方式167 \n
8.1.2網絡的穩(wěn)定性與吸引子168 \n
8.1.3網絡的權值設計173 \n
8.1.4網絡的信息存儲容量175 \n
8.2連續(xù)型Hopfield神經網絡176 \n
8.2.1網絡的拓撲結構176 \n
8.2.2能量函數(shù)與穩(wěn)定性分析177 \n
8.3Hopfield網絡應用與設計實例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）神經網絡182 \n
8.4.1BAM網結構與原理182 \n
8.4.2能量函數(shù)與穩(wěn)定性183 \n
8.4.3BAM網的權值設計184 \n
8.4.4BAM網的應用185 \n
8.5隨機神經網絡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)超平面的構建196 \n
9.2支持向量機神經網絡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204 \n
\n
第10章深度神經網絡 \n
10.1深層網絡模型的提出206 \n
10.2深度網絡的網絡類型和學習算法208 \n
10.2.1深度網絡的典型類型208 \n
10.2.2深度網絡學習算法及改進209 \n
10.3卷積神經網絡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生成對抗網絡GAN的結構與核心思想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230 \n
\n
附錄 \n
附錄1例題與詳解232 \n
附錄2神經網絡常用術語英漢對照252 \n
\n
參考文獻