人工神经网络导论PDF|Epub|txt|kindle电子书版本网盘下载

人工神经网络导论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

1 引论1

1.1智能与思维科学1

1.1.1智能1

1.1.2思维科学2

1.1.3思维的类型3

1.2人工智能4

1.2.1人工智能的概念4

1.2.2人工智能的发展简史5

1.2.3人工智能的研究目标6

1.2.4人工智能研究的基本内容6

1.2.5人工智能的研究途径7

1.2.6人工智能的研究领域9

1.3人工神经网络概述11

1.3.1人工神经网络研究简史11

1.3.2人工神经网络研究基本内容13

1.3.3人工神经网络分类14

2基础知识15

2.1 人脑神经系统的构成15

2.1.1 小脑17

2.1.2 间脑18

2.1.3脑干19

2.1.4大脑20

2.2人脑神经细胞工作概况29

2.2.1 神经细胞的基本结构30

2.2.2信号在轴突内的传递33

2.3人工神经网络的构思34

2.4系统的稳定性36

2.4.1动力系统36

2.4.2 自治系统与非自治系统37

2.4.3奇点与常点、稳定性37

2.4.4奇点的稳定与渐近稳定38

2.4.5极限环的稳定性38

2.4.6一般运动稳定性概念（Lyapunov稳定性）38

2.4.7稳定性的定性理论39

2.4.8系统轨道稳定性39

2.4.9结构稳定性40

2.4.10稳定性在神经网络设计中的重要性42

2.5混沌与神经网络42

2.5.1动力学系统42

2.5.2稳态行为与极限集43

2.5.3庞加莱映射51

2.5.4极限集的稳定性55

2.5.5维数61

3神经元模型67

3.1神经元的通用功能模型67

3.1.1 输入区67

3.1.2处理区68

9.1.3模糊自适应谐振算法 169

3.1.3输出区69

3.2简单线性神经元70

3.3位势神经元71

3.4.2功能函数用表格形式表示73

3.4.1功能函数用逻辑函数表示73

3.4逻辑神经元73

3.4.3逻辑函数拓广到连续变量74

3.5势态神经元74

3.6其他神经元75

3.6.1 G神经元模型75

3.6.2 RM元76

4联接方式77

4.1 分层神经元网的一般结构77

4.2联接矩阵图78

4.3神经元网络的多层组织79

5训练和学习81

5.1乘积学习规则81

5.1.2给定多个训练样本对时权矩阵的设计82

5.1.1给定一个训练样本对时权矩阵的设计82

5.2关联学习83

5.2.1学习规则与公式83

5.2.2与乘积学习规则的区别84

5.2.3局限性与改进84

5.3线性元网络的差值规则训练法85

5.3.1乘积规则的缺陷85

5.3.2基本差值规则（用于单层线性网络）85

5.3.3基本差值训练算法的收敛性分析86

5.4准线性元网络的差值规则87

5.4.1准线性神经元87

5.4.2多层准线性元网络（多层感知器，MLP）的反向传递算法（BP）88

9.3.5模拟例子 188

5.5.1差值训练算法缺点88

5.5随机训练88

5.5.2逃离局部最小点的策略89

5.5.3神经网络的随机训练法89

5.5.4随机训练算法的具体实施方案91

6.1感知器93

6.1.1感知器模型93

6前馈网络93

6.1.2用来进行模式识别95

6.1.3用来实现逻辑函数95

6.1.4异或（XOR）问题96

6.2多层感知器（MLP）97

6.2.1多层感知器的功能97

6.2.2多层感知器的学习算法（反向传递算法）98

6.2.3多层感知器存在的问题与局限性104

6.3径向基函数（RBF）网络107

6.3.1 RBF的基本功能108

6.3.2 RBF网的学习算法109

6.3.3 RBF网的扩展110

6.3.4 RBF网的学习复杂度111

6.4前馈网络与其他模式分类器111

6.4.1高斯分类器111

6.4.2混合高斯法与窗函数法112

6.4.3区分函数分类器112

6.4.4距离分类器112

7动态网络114

7.1延时网络（TDNN）114

7.2.1一些预备知识116

7.2双向联想存储116

7.2.2双向联想存储器（BAM）117

7.3 Hopfield网121

7.4.1神经元方程125

7.4递归网络125

7.4.2学习算法126

7.4.3例子128

7.5 Bolzmann机129

7.5.2 自联想Bolzmann机130

7.5.1 问题的提出130

7.5.3异联想Bolzmann机136

7.5.4例子137

8竞争网络139

8.1汉明网139

8.1.1汉明网的拓扑结构139

8.1.2权矩阵的计算（存储）140

8.1.3神经元功能函数141

8.1.5 Hamming网的优越性142

8.1.6实现独活型竞争（选极大）的其他网网络结构142

8.2自组织特征映射142

8.1.4网络的运行142

8.2.1 自组织特征映射的思想来源143

8.2.2 自组织特征映射的网络模型144

8.2.3仿真实例147

8.3.1 Grossberg及其自适应谐振网理论148

8.3适应谐振网——ART1148

8.2.5关于SOFM的几点评论148

8.2.4 点注意事项148

8.3.2 ART1拓扑结构149

8.3.3 ART1的运行（无师学习算法）154

8.3.4运行实例155

8.3.5 ART1的优缺点157

8.4自适应谐振网－ART2158

8.4.1 ART2的拓扑结构158

8.4.2 F1层短期记忆方程159

8.4.3 F2层短期记忆方程160

8.4.4重置方程160

8.4.7对参数c,d的约束161

8.4.6权初值的选取161

8.4.5学习方程161

8.4.8 ART2的学习算法162

8.4.9 ART2的特点164

8.4.10仿真实例165

8.4.11 ART2的另外两种结构166

8.4.12 ART2的缺点166

9模糊自适应网167

9.1模糊自适应谐振网（FuzzyART）167

9.1.1基本思想167

9.1.2符号与术语169

9.1.4算法说明171

9.1.5算法的几何解释172

9.1.7模糊自适应谐振网的缺点174

9.1.6例子174

9.2.1 FMM网的输入空间175

9.2模糊极小—极大网175

9.2.2超盒、模糊集与隶属函数176

9.2.3拓扑结构与神经元177

9.2.4 络的运行178

9.2.5网络的有师训练算法179

9.2.6例子182

9.2.7总结182

9.3一般模糊极小—极大（GFMM）网183

9.3.1拓扑结构183

9.3.2超盒模糊集的隶属函数183

9.3.3学习算法186

9.3.4网络的运行187

9.4模糊格神经网络（FLNN）188

9.4.1模糊格理论基础188

9.4.2模糊格神经网络193

9.4.3 VL中包含测度的定义198

9.4.4实验结果200

9.5递归自组织模糊推理网络（RSONFIN）202

9.5.1基本思想202

9.5.2 RSONFIN的模型203

9.5.3 RSONFIN的结构学习206

9.5.4参数学习210

9.5.5例子213

10.1学习理论的背景215

10统计学习理论215

10.1.2风险极小化问题准则216

10.1.3三种主要的学习问题216

10.1.1预报函数估计模型216

10.1.4经验函数极小化推导准则217

10.1.5 ERM与经典方法217

10.1.6学习理论的四部分218

10.2学习过程一致性理论219

10.2.1学习理论的基本定理219

10.2.2一致收敛的充要条件219

10.2.3学习理论中的三个里程碑221

10.3学习过程收敛率的界限222

10.3.1增长函数的结构222

10.3.3两个重要例子223

10.3.2 VC维数的等价定义223

10.3.4不依赖于分布的学习过程收敛率224

10.3.5（依赖分布）构造严格上界225

10.4控制学习机泛化性能的理论225

10.5构造性学习算法的理论226

10.5.1划分超平面法及其推广227

10.5.2示性函数的S型逼近与神经网络227

10.5.3最优划分超平面228

10.5.4支承向量机231

10.5.5为什么神经网络与支承向量机能够泛化233

10.6结论234

参考文献235