人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用（第三版）

第1章緒論 \n
1.1人腦與計(jì)算機(jī)001 \n
1.1.1人腦與計(jì)算機(jī)信息處理能力的比較002 \n
1.1.2人腦與計(jì)算機(jī)信息處理機(jī)制的比較003 \n
1.1.3什么是人工神經(jīng)網(wǎng)絡(luò)004 \n
1.2人工神經(jīng)網(wǎng)絡(luò)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(fù)興期009 \n
1.2.4高潮期010 \n
1.2.5大數(shù)據(jù)期010 \n
1.3神經(jīng)網(wǎng)絡(luò)的基本特征與功能013 \n
1.3.1神經(jīng)網(wǎng)絡(luò)的基本特征013 \n
1.3.2神經(jīng)網(wǎng)絡(luò)的基本功能014 \n
1.4神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域015 \n
1.4.1信息處理領(lǐng)域015 \n
1.4.2自動(dòng)化領(lǐng)域016 \n
1.4.3工程領(lǐng)域016 \n
1.4.4經(jīng)濟(jì)領(lǐng)域017 \n
1.4.5醫(yī)學(xué)領(lǐng)域018 \n
1.5本章小結(jié)018 \n
思考與練習(xí)019 \n
\n
第2章神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識(shí) \n
2.1人工神經(jīng)網(wǎng)絡(luò)的生物學(xué)基礎(chǔ)020 \n
2.1.1生物神經(jīng)元的結(jié)構(gòu)020 \n
2.1.2生物神經(jīng)元的信息處理機(jī)理021 \n
2.2人工神經(jīng)元模型024 \n
2.2.1神經(jīng)元的建模024 \n
2.2.2神經(jīng)元的數(shù)學(xué)模型025 \n
2.2.3神經(jīng)元的轉(zhuǎn)移函數(shù)026 \n
2.3人工神經(jīng)網(wǎng)絡(luò)模型027 \n
2.3.1網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)類型028 \n
2.3.2網(wǎng)絡(luò)信息流向類型029 \n
2.4神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式030 \n
2.4.1監(jiān)督學(xué)習(xí)031 \n
2.4.2無監(jiān)督學(xué)習(xí)031 \n
2.5神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則031 \n
2.5.1Hebb學(xué)習(xí)規(guī)則032 \n
2.5.2Perceptron （感知器）學(xué)習(xí)規(guī)則034 \n
2.5.3δ（Delta）學(xué)習(xí)規(guī)則034 \n
2.5.4LMS（最小均方）學(xué)習(xí)規(guī)則036 \n
2.5.5Correlation（相關(guān)）學(xué)習(xí)規(guī)則036 \n
2.5.6Winner-Take-All（勝者為王）學(xué)習(xí)規(guī)則036 \n
2.5.7Outstar（外星）學(xué)習(xí)規(guī)則037 \n
2.6神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)程序?qū)崿F(xiàn)基礎(chǔ)038 \n
2.6.1神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的程序?qū)崿F(xiàn)基礎(chǔ)038 \n
2.6.2神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的程序?qū)崿F(xiàn)基礎(chǔ)039 \n
2.6.3基于Python的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)方法039 \n
2.7本章小結(jié)040 \n
思考與練習(xí)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(diǎn)感知器的功能分析043 \n
3.3感知器的學(xué)習(xí)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(jié)051 \n
思考與練習(xí)052 \n
\n
第4章基于誤差反傳的多層感知器 \n
4.1BP網(wǎng)絡(luò)模型與算法055 \n
4.1.1BP網(wǎng)絡(luò)模型055 \n
4.1.2BP學(xué)習(xí)算法056 \n
4.2BP網(wǎng)絡(luò)的能力與局限059 \n
4.2.1BP網(wǎng)絡(luò)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(shí)現(xiàn)061 \n
4.3.1BP算法流程061 \n
4.3.2基于Python的BP算法實(shí)現(xiàn)063 \n
4.4BP算法的改進(jìn)070 \n
4.4.1增加動(dòng)量項(xiàng)070 \n
4.4.2自適應(yīng)調(diào)節(jié)學(xué)習(xí)率070 \n
4.4.3引入陡度因子071 \n
4.5BP網(wǎng)絡(luò)設(shè)計(jì)基礎(chǔ)071 \n
4.5.1網(wǎng)絡(luò)信息容量與訓(xùn)練樣本數(shù)071 \n
4.5.2訓(xùn)練樣本集的準(zhǔn)備072 \n
4.5.3初始權(quán)值的設(shè)計(jì)076 \n
4.5.4BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)076 \n
4.5.5網(wǎng)絡(luò)訓(xùn)練與測試077 \n
4.6BP網(wǎng)絡(luò)應(yīng)用與設(shè)計(jì)實(shí)例078 \n
4.6.1BP網(wǎng)絡(luò)用于催化劑配方建模078 \n
4.6.2BP網(wǎng)絡(luò)用于汽車變速器最佳擋位判定080 \n
4.6.3BP網(wǎng)絡(luò)用于圖像壓縮編碼080 \n
4.6.4BP網(wǎng)絡(luò)用于水庫優(yōu)化調(diào)度081 \n
4.6.5BP網(wǎng)絡(luò)用于證券預(yù)測082 \n
4.6.6BP網(wǎng)絡(luò)用于信用評(píng)價(jià)模型及預(yù)警083 \n
4.7本章小結(jié)084 \n
思考與練習(xí)084 \n
\n
第5章徑向基函數(shù)神經(jīng)網(wǎng)絡(luò) \n
5.1基于徑向基函數(shù)技術(shù)的函數(shù)逼近與內(nèi)插087 \n
5.2正則化RBF網(wǎng)絡(luò)089 \n
5.2.1正則化RBF網(wǎng)絡(luò)的結(jié)構(gòu)及特點(diǎn)089 \n
5.2.2正則化RBF網(wǎng)絡(luò)的學(xué)習(xí)算法090 \n
5.3廣義RBF神經(jīng)網(wǎng)絡(luò)090 \n
5.3.1模式的可分性090 \n
5.3.2廣義RBF網(wǎng)絡(luò)091 \n
5.3.3廣義RBF網(wǎng)絡(luò)的設(shè)計(jì)方法092 \n
5.3.4廣義RBF網(wǎng)絡(luò)數(shù)據(jù)中心的聚類算法093 \n
5.3.5廣義RBF網(wǎng)絡(luò)數(shù)據(jù)中心的監(jiān)督學(xué)習(xí)算法094 \n
5.4基于Python的RBF網(wǎng)絡(luò)學(xué)習(xí)算法實(shí)現(xiàn)095 \n
5.4.1基于聚類的數(shù)據(jù)中心及RBF網(wǎng)絡(luò)程序?qū)崿F(xiàn)095 \n
5.4.2基于監(jiān)督學(xué)習(xí)的學(xué)習(xí)算法程序?qū)崿F(xiàn)098 \n
5.5RBF網(wǎng)絡(luò)與BP網(wǎng)絡(luò)的比較101 \n
5.6RBF網(wǎng)絡(luò)設(shè)計(jì)應(yīng)用實(shí)例102 \n
5.6.1RBF網(wǎng)絡(luò)在液化氣銷售量預(yù)測中的應(yīng)用102 \n
5.6.2RBF網(wǎng)絡(luò)在地表水質(zhì)評(píng)價(jià)中的應(yīng)用102 \n
5.6.3RBF網(wǎng)絡(luò)在汽油干點(diǎn)軟測量中的應(yīng)用103 \n
5.6.4RBF網(wǎng)絡(luò)在地下溫度預(yù)測中的應(yīng)用105 \n
5.7本章小結(jié)107 \n
\n
第6章競爭學(xué)習(xí)神經(jīng)網(wǎng)絡(luò) \n
6.1競爭學(xué)習(xí)的概念與原理108 \n
6.1.1基本概念108 \n
6.1.2競爭學(xué)習(xí)原理110 \n
6.2自組織特征映射神經(jīng)網(wǎng)絡(luò)113 \n
6.2.1SOM網(wǎng)的生物學(xué)基礎(chǔ)113 \n
6.2.2SOM網(wǎng)的拓?fù)浣Y(jié)構(gòu)與權(quán)值調(diào)整域113 \n
6.2.3自組織特征映射網(wǎng)的運(yùn)行原理與學(xué)習(xí)算法115 \n
6.3基于Python的SOM網(wǎng)絡(luò)設(shè)計(jì)與實(shí)現(xiàn)119 \n
6.3.1SOM網(wǎng)絡(luò)的程序設(shè)計(jì)思路119 \n
6.3.2基于neupy擴(kuò)展模塊的SOM網(wǎng)絡(luò)程序設(shè)計(jì)120 \n
6.4自組織特征映射網(wǎng)絡(luò)的設(shè)計(jì)與應(yīng)用123 \n
6.4.1SOM網(wǎng)的設(shè)計(jì)基礎(chǔ)123 \n
6.4.2設(shè)計(jì)與應(yīng)用實(shí)例125 \n
6.5自適應(yīng)共振理論131 \n
6.5.1ARTⅠ型網(wǎng)絡(luò)132 \n
6.5.2ARTⅠ型網(wǎng)絡(luò)的應(yīng)用136 \n
6.5.3ARTⅡ型網(wǎng)絡(luò)140 \n
6.5.4ARTⅡ型網(wǎng)絡(luò)的應(yīng)用143 \n
6.6本章小結(jié)146 \n
思考與練習(xí)147 \n
\n
第7章組合學(xué)習(xí)神經(jīng)網(wǎng)絡(luò) \n
7.1學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)149 \n
7.1.1向量量化（LVQ）149 \n
7.1.2LVQ網(wǎng)絡(luò)結(jié)構(gòu)與工作原理150 \n
7.1.3LVQ網(wǎng)絡(luò)的學(xué)習(xí)算法150 \n
7.1.4基于Python的LVQ網(wǎng)絡(luò)學(xué)習(xí)算法實(shí)現(xiàn)152 \n
7.1.5LVQ網(wǎng)絡(luò)的設(shè)計(jì)與應(yīng)用154 \n
7.2對(duì)向傳播神經(jīng)網(wǎng)絡(luò)157 \n
7.2.1網(wǎng)絡(luò)結(jié)構(gòu)與運(yùn)行原理157 \n
7.2.2CPN的學(xué)習(xí)算法158 \n
7.2.3基于Python的CPN學(xué)習(xí)算法實(shí)現(xiàn)159 \n
7.2.4改進(jìn)的CPN舉例162 \n
7.2.5CPN的應(yīng)用163 \n
7.3本章小結(jié)165 \n
思考與練習(xí)165 \n
\n
第8章反饋神經(jīng)網(wǎng)絡(luò) \n
8.1離散型Hopfield神經(jīng)網(wǎng)絡(luò)167 \n
8.1.1網(wǎng)絡(luò)的結(jié)構(gòu)與工作方式167 \n
8.1.2網(wǎng)絡(luò)的穩(wěn)定性與吸引子168 \n
8.1.3網(wǎng)絡(luò)的權(quán)值設(shè)計(jì)173 \n
8.1.4網(wǎng)絡(luò)的信息存儲(chǔ)容量175 \n
8.2連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)176 \n
8.2.1網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)176 \n
8.2.2能量函數(shù)與穩(wěn)定性分析177 \n
8.3Hopfield網(wǎng)絡(luò)應(yīng)用與設(shè)計(jì)實(shí)例178 \n
8.3.1應(yīng)用DHNN解決聯(lián)想問題178 \n
8.3.2應(yīng)用CHNN解決優(yōu)化計(jì)算問題179 \n
8.4雙向聯(lián)想記憶（BAM）神經(jīng)網(wǎng)絡(luò)182 \n
8.4.1BAM網(wǎng)結(jié)構(gòu)與原理182 \n
8.4.2能量函數(shù)與穩(wěn)定性183 \n
8.4.3BAM網(wǎng)的權(quán)值設(shè)計(jì)184 \n
8.4.4BAM網(wǎng)的應(yīng)用185 \n
8.5隨機(jī)神經(jīng)網(wǎng)絡(luò)186 \n
8.5.1模擬退火原理187 \n
8.5.2Boltzmann機(jī)188 \n
8.6本章小結(jié)192 \n
思考與練習(xí)193 \n
\n
第9章支持向量機(jī) \n
9.1支持向量機(jī)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(gòu)建196 \n
9.2支持向量機(jī)神經(jīng)網(wǎng)絡(luò)199 \n
9.3支持向量機(jī)的學(xué)習(xí)算法200 \n
9.4基于Python的SVM學(xué)習(xí)算法201 \n
9.5支持向量機(jī)處理XOR問題203 \n
9.6本章小結(jié)204 \n
\n
第10章深度神經(jīng)網(wǎng)絡(luò) \n
10.1深層網(wǎng)絡(luò)模型的提出206 \n
10.2深度網(wǎng)絡(luò)的網(wǎng)絡(luò)類型和學(xué)習(xí)算法208 \n
10.2.1深度網(wǎng)絡(luò)的典型類型208 \n
10.2.2深度網(wǎng)絡(luò)學(xué)習(xí)算法及改進(jìn)209 \n
10.3卷積神經(jīng)網(wǎng)絡(luò)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(shè)計(jì)215 \n
10.3.3CNN的學(xué)習(xí)217 \n
10.3.4基于Python的CNN實(shí)現(xiàn)217 \n
10.3.5CNN應(yīng)用221 \n
10.4生成對(duì)抗網(wǎng)絡(luò)222 \n
10.4.1生成模型與判別模型222 \n
10.4.2生成對(duì)抗網(wǎng)絡(luò)GAN的結(jié)構(gòu)與核心思想223 \n
10.4.3GAN的學(xué)習(xí)算法224 \n
10.4.4基于Python的GAN實(shí)現(xiàn)225 \n
10.4.5GAN的改進(jìn)與應(yīng)用229 \n
10.5本章小結(jié)230 \n
\n
附錄 \n
附錄1例題與詳解232 \n
附錄2神經(jīng)網(wǎng)絡(luò)常用術(shù)語英漢對(duì)照252 \n
\n
參考文獻(xiàn)