人工神经网络 第六代计算机的实现PDF|Epub|txt|kindle电子书版本网盘下载

人工神经网络 第六代计算机的实现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

第一章 人工神经网络概述1

1.1 什么是人工神经网络1

目录1

1.2 人工神经网络有什么用处3

1.2.1 已商品化的应用3

1.2.2 样机和研究活动4

1.2.3 潜在的应用范围5

1.3 人工神经网络的发展史6

1.3.1 MP模型的提出和人工神经网络的兴起6

1.3.3 Minsky和Papert文章的冲击和神经网络的低潮7

1.3.2 感知器模型和人工神经网络的第一次高潮7

1.3.4 Hopfield网络模型的出现和人工神经网络的复苏8

1.4 人工神经网络有什么特点8

1.4.1 固有的并行结构和并行处理8

1.4.2 知识的分布存储9

1.4.3 容错性9

1.4.4 自适应性9

1.4.5 图形识别能力10

1.4.6 人工神经网络的局限性10

1.5.2 ANN与人工智能（AI）的关系11

1.5 神经网络与其它相关技术的关系11

1.5.1 ANN与统计方法的比较11

本章小结14

第二章 人工神经网络基础15

2.1 人工神经网络的生物原型——大脑15

2.1.1 简单的神经元15

2.1.2 神经元间的连接点——突触16

2.1.3 大脑及大脑皮层的结构16

2.2.1 处理单元的基本结构和基本特性17

2.2 人工神经网络处理单元17

2.2.2 转移函数18

2.2.3 处理单元的一种简单硬件构成19

2.3 人工神经网络的拓扑结构20

2.3.1 单层网络20

2.3.2 多层网络21

2.3.3 回归型网络22

2.4 存储和回忆的概念23

2.4.1 ANN中存储图形的类型23

2.4.2 回忆的概念23

2.5 人工神经网络的训练（学习）24

2.5.1 有指导的训练25

2.5.2 无指导的训练25

2.5.3 训练算法26

2.6 人工神经网络的稳定性28

2.6.1 李亚普诺夫稳定性准则28

2.6.2 李亚普诺夫能量函数的例子29

本章小结30

第三章 前馈神经网络31

3.1.1 符号单元32

3.1 早期的ANN——感知器32

3.1.2 线性单元和自适应线性单元（ADALINE）39

3.1.3 非线性单元42

3.1.4 举例及应用44

3.2 误差反传训练算法（Back Propagation缩写为BP）47

3.2.1 误差反传训练算法（BP）47

3.2.2 BP训练算法的改进和变形方案51

3.2.3 BP网络的应用56

本章小结65

4.1.1 网络拓扑结构67

4.1 Hopfield网络67

第四章 反馈网络67

4.1.2 联想原理69

4.1.3 基本学习规则74

4.1.4 联想特性77

4.1.5 存储容量分析80

4.1.6 能量函数82

4.1.7 若干改进的学习规则85

4.1.8 高阶Hopfield网络90

4.1.9 连续Hopfield网络93

4.1.10 Hopfield网络应用97

4.2 双向联想记忆网络104

4.2.1 网络拓扑结构104

4.2.2 学习规则及联想回忆105

4.2.3 网络的稳定性及扩展形式106

本章小结107

第五章 随机神经网络108

5.1 模拟退火算法108

5.1.1 概述108

5.1.2 模拟退火算法110

5.1.3 改进的模拟退火算法111

5.2.1 网络结构113

5.2 玻尔兹曼机113

5.2.2 学习算法114

5.2.3 网络运行116

5.3 柯西机116

5.4 随机网络的应用117

本章小结118

第六章 自组织神经网络119

6.1 无指导训练方法及应用119

6.2.1 基本思想121

6.2 竞争学习121

6.2.2 竞争过程的权值调整——最佳匹配123

6.2.3 竞争过程的网络组织——“胜者为王”125

6.2.4 竞争学习的收敛性127

6.2.5 竞争学习的计算应用128

6.3 Hamming网络129

6.3.1 拓扑结构129

6.3.2 网络学习算法129

6.3.3 网络运行过程130

6.4 自组织特征映射神经网络131

6.4.1 拓扑结构131

6.4.2 网络自组织算法132

6.4.3 网络应用134

6.5 对传网络135

6.5.1 拓扑结构135

6.5.2 网络学习算法136

6.5.3 网络应用137

6.6 神经认知机139

6.6.1 基本结构139

6.6.2 训练过程140

6.7.1 基本原理141

6.7 自适应共振理论………………………141

6.7.2 基本结构142

6.7.3 网络运行原理143

6.7.4 网络学习算法144

6.7.5 ART的扩展、应用及收敛性145

本章小结146

第七章 人工神经网络的应用开发设计147

7.1 ANN应用的可行性147

7.1.1 选用ANN技术还是其它技术147

7.1.2 ANN应用的特点148

7.2.1 各种ANN模型的应用情况回顾149

7.2 ANN模型的选取149

7.2.2 ANN模型的选取原则151

7.3 ANN网络模型的设计153

7.3.1 结点级设计154

7.3.2 网络级设计154

7.4 ANN应用系统的评价158

7.4.1 网络的大小158

7.4.2 速度159

7.4.3 完全训练标准159

7.4.4 网络的实验159

7.4.5 曲线识别网络实验方法160

本章小结161

第八章 神经网络的实现162

8.1 概述162

8.1.1 神经网络实现的发展简史162

8.1.2 神经网络运算的特点162

8.1.3 神经网络实现的比较标准163

8.1.4 神经网络实现方案的分类163

8.2 基于传统计算机的实现方案164

8.2.1 软件模拟164

8.2.3 传统计算机的神经网络运算加强技术165

8.2.2 并行处理器阵列165

8.3.1 VLSI实现方法166

8.3.2 光学器件166

8.3 基于硬器件的实现方案166

8.3.3 分子器件167

本章小结167

第九章 ANN的当前动态和未来展望168

9.1 ANN的当前研究动态168

9.1.1 学习和训练168

9.1.2 改进ANN计算模型170

9.2.1 速度和存储能力的改进174

9.2 ANN目前出现的新动向174

9.2.2 与当前技术的结合175

9.3 ANN的未来176

9.3.1 对ANN的预言176

9.3.2 ANN将来的发展177

本章小结178

附录A 矩阵代数基本知识179

附录B 优化与梯度下降法简介184

参考文献189