人工神经网络理论及应用【2025|PDF下载-Epub版本|mobi电子书|kindle百度云盘下载】

人工神经网络理论及应用PDF格式电子书版下载

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

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5

1.2.2 低潮时期7

1.2.3 复兴时期8

1.2.4 新时期9

1.2.5 海量数据时代12

1.2.6 国内研究概况12

1.3 神经网络的基本特征与功能13

1.3.1 神经网络的基本特点13

1.3.2 神经网络的基本功能13

1.4 神经网络的应用领域15

1.4.1 信息处理领域15

1.4.2 自动化领域16

1.4.3 工程领域16

1.4.4 医学领域17

1.4.5 经济领域17

本章小结18

习题19

第2章 人工神经网络建模基础20

2.1 脑的生物神经系统概述20

2.1.1 人体神经系统的构成20

2.1.2 高级中枢神经系统的功能21

2.1.3 脑组织的分层结构22

2.2 生物神经网络基础23

2.2.1 生物神经元的结构23

2.2.2 生物神经元的信息处理机理24

2.3 人工神经元模型26

2.3.1 神经元的建模26

2.3.2 神经元的数学模型27

2.3.3 神经元的变换函数28

2.4 人工神经网络模型30

2.4.1 网络拓扑结构类型30

2.4.2 网络信息流向类型31

2.5 神经网络学习32

2.5.1 Hebbian学习规则34

2.5.2 离散感知器学习规则35

2.5.3 连续感知器学习规则36

2.5.4 最小方均学习规则37

2.5.5 相关学习规则38

2.5.6 胜者为王学习规则38

2.5.7 外星学习规则38

本章小结40

习题40

第3章 感知器神经网络42

3.1 单层感知器42

3.1.1 感知器模型42

3.1.2 感知器的功能43

3.1.3 感知器的局限性45

3.1.4 感知器的学习算法45

3.2 多层感知器47

3.3 自适应线性单元简介49

3.3.1 ADALINE模型49

3.3.2 ADALINE学习算法49

3.3.3 ADALINE应用51

3.4 误差反传算法51

3.4.1 基于BP算法的多层感知器模型52

3.4.2 BP学习算法53

3.4.3 BP算法的程序实现56

3.4.4 多层感知器的主要能力57

3.4.5 误差曲面与BP算法的局限性58

3.5 标准BP算法的改进59

3.5.1 增加动量项59

3.5.2 自适应调节学习率59

3.5.3 引入陡度因子60

3.6 基于BP算法的多层感知器设计基础60

3.6.1 网络信息容量与训练样本数60

3.6.2 训练样本集的准备61

3.6.3 初始权值的设计64

3.6.4 多层感知器结构设计65

3.6.5 网络训练与测试66

3.7 基于BP算法的多层感知器应用与设计实例67

3.7.1 基于BP算法的多层感知器用于催化剂配方建模67

3.7.2 基于BP算法的多层感知器用于汽车变速器最佳挡位判定68

3.7.3 基于BP算法的多层感知器用于图像压缩编码69

3.7.4 基于BP算法的多层感知器用于水库优化调度69

3.8 基于MATLAB的BP网络应用实例70

3.8.1 BP网络用于数据拟合70

3.8.2 BP网络用于鸢尾花分类问题72

扩展资料76

本章小结77

习题77

第4章 自组织竞争神经网络80

4.1 竞争学习的概念与原理80

4.1.1 基本概念80

4.1.2 竞争学习原理82

4.2 自组织特征映射神经网络84

4.2.1 SOFM网的生物学基础85

4.2.2 SOFM网的拓扑结构与权值调整域85

4.2.3 自组织特征映射网的运行原理与学习算法86

4.2.4 SOFM网的设计基础90

4.2.5 应用与设计实例92

4.3 学习向量量化神经网络95

4.3.1 向量量化95

4.3.2 LVQ网络结构与工作原理96

4.3.3 LVQ网络的学习算法97

4.4 对偶传播神经网络98

4.4.1 网络结构与运行原理98

4.4.2 CPN的学习算法99

4.4.3 改进的CPN网100

4.4.4 CPN网的应用102

4.5 自适应共振理论网络102

4.5.1 ARTⅠ型网络103

4.5.2 ARTⅡ型网络110

4.6 基于MATLAB的SOM网络聚类实例114

扩展资料117

本章小结118

习题119

第5章 径向基函数神经网络122

5.1 基于径向基函数技术的函数逼近与内插122

5.1.1 插值问题描述122

5.1.2 径向基函数技术解决插值问题123

5.1.3 完全内插存在的问题124

5.2 正则化理论与正则化RBF网络125

5.2.1 正则化理论125

5.2.2 正则化RBF网络126

5.3 模式可分性观点与广义RBF网络127

5.3.1 模式的可分性127

5.3.2 广义RBF网络128

5.4 RBF网络常用学习算法129

5.4.1 数据中心的聚类算法130

5.4.2 数据中心的监督学习算法131

5.5 RBF网络与多层感知器的比较132

5.6 RBF网络的设计与应用实例133

5.6.1 RBF网络在液化气销售量预测中的应用133

5.6.2 RBF网络在地表水质评价中的应用133

5.6.3 RBF网络在汽油干点软测量中的应用134

5.7 基于MATLAB的RBF网络应用实例136

扩展资料138

本章小结138

习题139

第6章 反馈神经网络140

6.1 离散型Hopfield神经网络140

6.1.1 网络的结构与工作方式140

6.1.2 网络的稳定性与吸引子141

6.1.3 网络的权值设计147

6.1.4 网络的信息存储容量148

6.2 连续型Hopfield神经网络149

6.2.1 网络的拓朴结构149

6.2.2 能量函数与稳定性分析150

6.3 Hopfield网络应用与设计实例151

6.3.1 应用DHNN网解决联想问题151

6.3.2 应用CHNN网解决优化计算问题152

6.4 双向联想记忆神经网络155

6.4.1 BAM网结构与原理155

6.4.2 能量函数与稳定性156

6.4.3 BAM网的权值设计157

6.4.4 BAM网的应用158

6.5 随机神经网络159

6.5.1 模拟退火原理160

6.5.2 玻尔兹曼机161

扩展资料165

本章小结166

习题166

第7章 小脑模型神经网络168

7.1 CMAC网络的结构168

7.2 CMAC网络的工作原理169

7.2.1 从X到M的映射169

7.2.2 从M到A的映射171

7.2.3 从A到Ap的映射172

7.2.4 从Ap到F的映射173

7.3 CMAC网络的学习算法173

7.4 CMAC网络的应用174

扩展资料175

第8章 深度神经网络176

8.1 深度神经网络框架177

8.1.1 选择深层模型的原因177

8.1.2 深度网络的训练算法179

8.1.3 深度学习的软件工具及平台180

8.2 受限玻尔兹曼机和深度置信网180

8.2.1 受限玻尔兹曼机的基本结构181

8.2.2 受限玻尔兹曼机的能量模型和似然函数181

8.2.3 最优参数的梯度计算182

8.2.4 基于对比散度的快速算法184

8.2.5 深度置信网络185

8.3 卷积神经网络186

8.3.1 卷积神经网络基本概念及原理187

8.3.2 卷积神经网络完整模型189

8.3.3 CNN的学习190

8.3.4 CNN应用190

8.4 堆栈式自动编码器192

8.4.1 自编码算法与稀疏性192

8.4.2 栈式自动编码器194

8.4.3 栈式自编码网络在手写数字分类中的应用194

扩展资料196

本章小结197

习题198

第9章 支持向量机199

9.1 支持向量机的基本思想199

9.1.1 最优超平面的概念199

9.1.2 线性可分数据最优超平面的构建201

9.1.3 非线性可分数据最优超平面的构建202

9.2 非线性支持向量机203

9.2.1 基于内积核的最优超平面203

9.2.2 非线性支持向量机神经网络205

9.3 支持向量机的学习算法205

9.4 支持向量机设计应用实例207

9.4.1 XOR问题207

9.4.2 人工数据分类210

9.4.3 手写体阿拉伯数字识别211

9.5 基于MATLAB的支持向量机分类212

扩展资料214

本章小结215

习题215

第10章 遗传算法与神经网络进化216

10.1 遗传算法的原理与特点216

10.1.1 遗传算法的基本原理216

10.1.2 遗传算法的特点217

10.2 遗传算法的基本操作与模式理论217

10.2.1 遗传算法的基本操作218

10.2.2 遗传算法的模式理论220

10.3 遗传算法的实现与改进223

10.3.1 编码问题223

10.3.2 初始种群的产生223

10.3.3 适应度的设计224

10.3.4 遗传算法的操作步骤225

10.3.5 遗传算法中的参数选择225

10.3.6 遗传算法的改进225

10.4 遗传算法在神经网络设计中的应用226

10.4.1 遗传算法用于神经网络的权值优化227

10.4.2 遗传算法用于神经网络的结构优化229

本章小结231

习题232

第11章 神经网络系统设计与软硬件实现233

11.1 神经网络系统总体设计233

11.1.1 神经网络的适用范围233

11.1.2 神经网络的设计过程与需求分析234

11.1.3 神经网络的性能评价235

11.1.4 输入数据的预处理238

11.2 神经网络的软件实现238

11.3 神经网络的高级开发环境239

11.3.1 神经网络的开发环境及其特征240

11.3.2 MATLAB神经网络工具箱240

11.3.3 其他神经网络开发环境简介245

11.4 神经网络的硬件实现247

11.4.1 概述247

11.4.2 神经元器件249

11.4.3 神经网络系统结构251

11.4.4 神经网络的光学实现254

扩展资料257

本章小结257

习题257

第12章 人工神经系统258

12.1 人工神经系统的基本概念258

12.1.1 生物神经系统258

12.1.2 人工神经系统259

12.2 人工神经系统的体系结构259

12.2.1 高级中枢神经系统259

12.2.2 低级中枢神经系统261

12.2.3 外周神经系统261

12.3 人工神经系统的控制特性262

12.3.1 神经快速、分区控制系统263

12.3.2 体液慢速、分工控制系统263

12.3.3 人体神经控制系统263

12.4 人工神经系统的信息模式264

12.4.1 “数字-模拟”混合信息模式264

12.4.2 “串行-并行”兼容信息模式265

12.4.3 “集中-分散”结合信息模式265

12.5 人工神经系统的应用示例266

12.5.1 拟人智能综合自动化系统266

12.5.2 人工鱼的总体技术方案266

本章小结268

习题268

参考文献269