人工神經網路理論·模型·算法與套用

《人工神經網路理論·模型·算法與套用》是2005年廣西師範大學出版社出版的圖書。該書由神經網路的原理和神經網路的套用兩部分組成。

基本介紹

• 書名：人工神經網路理論·模型·算法與套用
• ISBN：7563346597
• 頁數：179頁
• 裝幀：平裝

圖書信息

出版社: 廣西師範大學出版社; 第1版 (2005年4月1日)

正文語種: 簡體中文

開本: 16

條形碼: 9787563346592

尺寸: 25.6 x 18.2 x 0.8 cm

重量: 322 g

內容簡介

第一部分闡述了當前最具體表性的幾種神經網路模型，如前饋多層神經網路、反饋神經網路、自組織神經網路和混沌神經網路的結構、特點和學習算法。第二部分介紹了神經網路在系統辨識、自動控制、神經網路控制混沌等方面的套用。

《人工神經網路理論·模型·算法與套用》可作為自動控制、電路與系統、計算機、信息處理、物理等專業的研究生教材和高年級本科生選修課教材，也可供有關科研人員參考。

目錄

第一章 神經網路基礎概論

1．1 神經網路理論形成的科學背景

1．2 神經網路理論的發展歷史與趨勢

1．2．1 早期階段

1．2．2 20世紀70年代的過渡期

1．2．3 20世紀80年代的高潮期

1．2．4 目前的研究狀況和方向

1．3 人工神經網路的生物學基礎和人工神經元模型

1．3．1 神經網路的生物學基礎

1．3．2 人工神經元模型

1．4 神經網路模型的定義和結構

1．4．1 神經網路模型的定義

1．4．2 神經網路模型的結構

1．5 人工神經網路計算和傳統計算的特點比較

1．6 神經網路的學習規則與實現

1．6．1 神經網路的學習規則

1．6．2 神經網路的實現

1．7 神經網路的套用領域

第二章 前饋神經網路

2．1 感知器

2．1．1 單層感知器的網路結構

2．1．2 單層感知器的表征能力與線性可分性．

2．1．3 感知器的學習算法

2．2 前饋型BP神經網路

2．2．1 BP網路的結構

2．2．2 BP網路的分類能力

2．3 BP網路的學習算法

2．3．1 誤差反向傳播學習算法(EBP)

2．3．2 EBP算法的缺點與改進

2．3．3 模擬退火算法

2．3．4 遺傳算法

2．4 前饋型多層網路的映射能力與逼近能力

2．4．1 前饋網路的映射能力

2．4．2 前饋網路的逼近能力

2．5 BP網路的設計討論

2．6 BP學習算法的VC++語言編程及有關結果

2．6．1 EBP學習算法實現異或分類的C++語言程式

2．6．2 運行結果

2．7 BP神經網路小結

2．8 徑向基函式(RBF)神經網路

2．8．1 RBF神經網路的生物學背景與結構

2．8．2 RBF網路的學習算法

2．9 小波神經網路

2．9．1 小波函式的定義

2．9．2 小波神經網路的結構

2．9．3 小波神經網路的優點和學習算法

2．10 小腦模型神經網路

2．10．1 CMAC網路的結構

2．10．2 CMAC網路的學習算法

2．11 FLAT神經網路

2．11．1 FLAT神經網路的結構

2．11．2 FLAT神經網路的學習算法

2．12 用徑向基函式神經網路實現EEG信號的預測

2．12．1 預測原理及其模型

2．12．2 RBF網路徑向基函式的改進

2．12．3 數據處理結果及討論

第三章 反饋神經網路

3．1 概述

3．2 離散Hopfield神經網路

3．2．1 網路的結構及工作方式

3．2．2 網路的能量函式與穩定性分析

3．2．3 網路的聯想記憶和記憶容量

3．3 連續Hopfield神經網路

3．3．1 網路的拓撲結構

3．3．2 CHNN的能量函式與穩定性分析

3．4 連續Hopfield網路用於組合最佳化問題的求解

3．4．1 基於連續Hopfield網路求解TSP問題

3．4．2 算法的具體實現及計算結果

3．4．3 基於Hopfield網路的A/D轉換器

3．5 Hopfield神經網路運行的C語言程式

3．6 隨機神經網路

3．6．1 Boltzman機

3．7 遞歸神經網路

第四章 自組織神經網路

4．1 概述

4．2 自組織競爭型神經網路

4．2．1 基本競爭型神經網路及其學習規則

4．2．2 抑制競爭型神經網路及其學習規則

4．3 自適應共振理論神經網路

4．3．1 ART神經網路的主要優點

4．3．2 ART-1的基本原理

4．3．3 ART-1神經網路的學習算法

4．3．4 ART-2神經網路

4．3．5 ART-2神經網路小結

4．4 Kohonen自組織特徵映射網路及其學習算法

4．4．1 SOFM網路結構

4．4．2 Kohonen自組織映射算法

4．4．3 學習速率函式和連線權初值確定問題的討論

4．4．4 實例

4．5 SOMF神經網路模擬機率分布的C++語言程式

第五 章混沌神經網路及其混沌控制

5．1 混沌神經網路研究的歷史與現狀

5．2 混沌神經網路模型及其動力學特徵

5．2．1 互聯混沌神經網路

5．2．2 自組織映射混沌神經網路

5．2．3 離散混沌神經網路模型

5．3 混沌神經網路中的混沌行為控制

5．4 混沌神經網路在最佳化計算中的套用

5．5 混沌神經網路在動態關聯存儲方面的套用

5．6 前饋型神經網路用於混沌控制

5．6．1 控制方法

5．6．2 數值模擬

5．6．3 控制機理的進一步討論

5．7 神經網路特徵的歸納和總結

第六章 基於神經網路的系統辨識

6．1 系統辨識的基本概念和內容

6．1．1 系統辨識的定義

6．1．2 線性系統的辨識方法

6．1．3 系統辨識的內容?

6．1．4 實際辨識中要考慮的幾個關鍵問題

6．1．5 非線性系統的特點及其辨識方法

6．2 基於神經網路的系統辨識

6．2．1 基於神經網路辨識的特點

6．2．2 幾種典型的非線性模型與結構

6．2．3 基於神經網路辨識的條件和結構

6．2．4 基於神經網路的兩種主要模型的辨識結構

6．3 基於神經網路的逆動力學系統的辨識

6．3．1 非線性系統的可逆性

6．3．2 逆系統建模方法

6．4 基於BP網路的系統辨識與實例

6．4．1 基於BP網路的系統辨識算法

6．4．2 基於BP網路系統辨識的實例

第七章 神經網路與自動控制

7．1 概述

7．2 神經網路控制的發展及其用於控制的優越性

7．2．1 神經網路控制的發展

7．2．2 神經網路用於控制的優越性

7．3 線性系統的神經網路控制

7．3．1 反饋的兩種基本形式

7．3．2 神經網路觀測器的實現方法

7．4 神經網路自適應控制

7．4．1 概述

7．4．2 自適應控制的基本概念與結構

7．4．3 神經網路直接自適應控制

7．4．4 神經網路模型參考自適應控制

7．4．5 神經網路自校正控制

7．5 神經網路非線性預測控制

7．5．1 神經網路預測控制的一般結構與算法

7．5．2 神經網路預測器的幾種方案

7．6 神經網路模糊控制

7．6．1 模糊控制的基本思想

7．6．2 模糊控制的特點與組成

7．6．3 反模糊化

7．6．4 模糊控制的優點和需要解決的問題

7．6．5 神經網路與模糊控制系統

7．6．6 神經網路在模糊控制中的套用

參考文獻

附錄1用四階龍格一庫塔算法求解Lorenz系統的c語言程式

附錄2時間序列快速傅立葉變換(FFT)的C語言程式