神經網絡（簡體書）

《神經網絡》系統地論述了神經網絡的基本原理、方法、技術和應用，主要內容包括：神經信息處理的基本原理、感知器、反向傳播網絡、自組織網絡、遞歸網絡、徑向基函數網絡、核函數方法、神經網絡集成、模糊神經網絡、概率神經網絡、脈沖耦合神經網絡等。

第1章 緒論
1.1 概述
1.2 神經網絡的研究歷史
1.3 人腦的神經系統
1.3.1 神經元
1.3.2 突觸
1.3.3 動作電位
1.3.4 離子通道
1.4 神經信息處理的基本原理
1.5 簡單的神經網絡模型
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
1.5.4 熱力學模型
1.6 神經網絡的研究內容
1.7 神經網絡的分類
1.8 神經網絡研究的發展方向
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 反向傳播網絡
3.1 概述
3.2 反向傳播網絡的結構
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 反向傳播網絡學習程序
習題

第4章 自組織網絡
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 特徵映射
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網絡
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 單個神經元的主成分
4.6.3 單層網絡主成分提取
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 獨立成分分析神經網絡
4.7.3 快速固定點算法
習題

第5章 遞歸網絡
5.1 概述
5.2 遞歸網絡體系結構
5.2.1 輸入輸出遞歸網絡
5.2.2 狀態空間模型
5.2.3 遞歸多層感知器
5.2.4 二階網絡
5.3 狀態空間模型
5.4 Hopfield網絡
5.4.1 離散Hopfield網絡
5.4.2 聯想記憶
5.4.3 離散H0pfield網絡運行程序
5.4.4 連續H0p6eld網絡
5.5 雙向聯想記憶模型
5.6 模擬退火算法
5.7 玻爾茲曼機
5.7.1 網絡結構
5.7.2 學習算法
習題

第6章 徑向基函數網絡
6.1 概述
6.2 徑向基函數數學基礎
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 徑向基函數網絡結構
6.3.1 RBF網絡拓撲結構
6.3.2 RBF網絡元素
6.4 RBF網絡算法分析
6.4.1 RBF中心向量確定
6.4.2 RBF算法
6.4.3 RBF網絡性能分析
6.5 RBF網絡算法優化
6.5.1 基於免疫算法的RBF網絡優化
6.5.2 基於遺傳算法的RBF網絡優化
6.6 CMAC網絡
6.7 泛函數連接網絡
6.8 小波神經網絡
6.9 過程神經網絡
6.9.1 過程神經網絡模型
6.9.2 學習算法
習題

第7章 核函數方法
7.1 概述
7.2 統計學習問題
7.2.1 經驗風險
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 神經網絡集成
第9章 模糊神經網絡
第10章 概率神經網絡
第11章 脈沖耦合神經網絡
第12章 神經場理論
第13章 神經元集群
第14章 神經計算機