《人工神經網路與微粒群最佳化》一書介紹了幾類常用的和基本的人工神經網路模型，即感知機、前饋型、反饋型、隨機神經網路，還介紹了比較新並有發展前途的支持向量機、非線性泛函網路、人工免疫系統，獨立成章地闡述了微粒群算法的基本原理及人工神經網路的微粒群最佳化技術，每種模型都圍繞結構、基本原理、學習算法的次序來闡述，同時介紹了在數據挖掘、創新概念設計中的套用。
基本介紹
內容簡介,目錄信息,
內容簡介
書中部分內容是幾年來作者及其所指導的研究生們研究成果的總結。本書選材精、內容新、闡述系統，力爭深入淺出和突出套用，可作為相應學科的研究生和高年級本科生的課程教材，也可作為從事該領域研究的科學技術人員的參考書
目錄信息
第1章 概論
1.1 人工神經網路的基本概念
1.1.1 人工神經網路的基本概念和特徵
1.1.2 神經元數學模型
1.2 人工神經網路研究的發展簡史
1.2.1 人工神經網路研究的發展
1.2.2 我國人工神經元網路研究的情況
1.2.3 存在的問題
1.2.4 幾種著名的神經網路
1.3 並行及分布處理理論
1.3.1 並行分布處理理論
1.3.2 PDP的基本概念
1.3.3 聯結性和並行分布性
1.3.4 非符號性和連續性
1.4 研究人工神經網路的意義
1.4.1 神經網路與傳統計算的比較
1.4.2 人工神經元網路與人工智慧系統的比較
1.4.3 研究人工神經元網路的意義
1.4.4 人工神經元網路在控制領域中的套用
第2章 人工神經網路的基本原理
2.1 神經元
2.1.1 神經元的結構
2.1.2 大腦的信息處理原理
2.2 人工神經網路模型
2.2.1 形式神經元模型
2.2.2 神經網路的基本結構
2.2.3 神經元的學習法則
2.2.4 神經元的計算原理
2.3 十種常用的學習規則
2.3.1 Hebb學習規則
2.3.2 感知器的學習規則
2.3.3 δ學習規則
2.3.4 Widnow-Hoff學習規則
2.3.5 相關學習規則
2.3.6 “勝者為王”學習規則
2.3.7 內星和外星學習規則
2.3.8 梯度下降算法
2.3.9 隨機訓練算法
2.3.10 模擬退火算法
2.3.11 學習規則的一覽表
2.4 學習任務
2.4.1 模式聯想
2.4.2 模式識別
2.4.3 函式逼近
2.4.4 控制
2.4.5 濾波
2.4.6 波束形成
2.5 記憶
2.5.1 相關矩陣記憶
2.5.2 回憶
2.6 自適應
2.7 學習過程的統計性質
2.8 統計學習理論
2.8.1 一些基本定義
2.8.2 經驗風險最小化原則
2.9 VC維
2.9.1 VC維的估計
2.9.2 可能近似正確的學習模型
2.9.3 樣本複雜性
2.9.4 計算複雜性
第3章 感知機
3.1 最簡單的感知機
3.2 感知機的學習算法
3.3 收斂定理
3.4 簡單感知機的局限性
3.5 凸集分離定理
3.5.1 凸集與凸性
3.5.2 凸集分離定理
第4章 前饋型神經網路
4.1 多層感知器
4.2 多層感知器的學習算法
4.3 激活函式
4.3.1 S型函式
4.3.2 其他激活函式
4.3.3 非線性誤差函式
4.4 BP算法的改進
4.5 網路設計及數據預處理
4.5.1 輸入層和輸出層的設計
4.5.2 隱含層數和層內節點數的選擇
4.6 網路映射及容量分析
4.6.1映射作用
4.6.2前向網路的容量分析
第5章 BP網路的套用
5.1 XOR問題
5.2 天氣預報問題
5.3 地下水位的預測
5.4 室內溫度的預測
5.5 產品成本的預測
第6章 反饋型神經網路
6.1 Hopfield網路
6.2 聯想記憶與神經計算
6.2.1 聯想記憶
6.2.2 神經計算
6.3 連續時間Hopfield神經網路模型
6.3.1 非線性連續時間Hopfield神經網路
6.3.2 Hopfield型神經網路的設計與穩定性
6.4 Hopfield神經網路論文分析
6.5 Hopfield網路在動態聯盟夥伴中的套用
6.5.1 模型的建立
6.5.2 模型的簡化
6.5.3 對多目標的動態聯盟問題求解
6.5.4 基於Hopfield網路的多目標動態聯盟求解
第7章 隨機神經網路
7.1 模擬退火算法
7.1.1 模擬退火算法
7.1.2 改進的模擬退火算法
7.1.3 SA算法的收斂法
7.2 玻耳茲曼機
7.2.1 玻耳茲曼機模型
7.2.2 能量函式
7.2.3 學習算法
7.2.4 玻耳茲曼機學習算法推導
7.3 NN的機率統計法
7.4 並行分布柯西機
7.5 神經網路的熵理論
7.5.1 NN計算能量與熵
7.5.2 同步並行計算
7.5.3 異步串列計算
7.6 動力系統的分維學
7.6.1 Hausdorff維數
7.6.2 分維的量度
7.7 分維神經網路
7.7.1 分維NN結構
7.7.2 信息的存儲
第8章 非線性泛函網路
8.1 非線性可分性
8.1.1 聲可分性
8.1.2 RBF網路的結構及工作原理
8.1.3 函式逼近與內插
8.2 Cover定理
8.3 正規化理論
8.4 RBF網路的學習算法
8.5 泛函連線網路
8.6 小波網路
8.6.1 小波理論
8.6.2 小波網路
8.6.3 小波網路的性能分析
8.6.4 小波網路在股市預測中的套用
8.6.5 小波理論在創新概念設計評價中的套用
第9章 支持向量機
9.1 簡介
9.2 線性可分模式的最優超平面
9.2.1 用於尋找最優超平面的二次最最佳化
9.2.2 最優超平面的統計特性
9.3 不可分模式的最優超平面
9.4 怎樣建立用於模式識別的支持向量機
9.4.1 內積核
9.4.2 Mercer定理
9.4.3 支持向量機的最優設計
9.4.4 支持向量機的例子
9.5 例子：XOR問題
9.6 一不敏感損失函式
9.7 用於非線性回歸的支持向量機
9.8 小結和討論
第10章 人工免疫系統及克隆選擇算法
10.1 概述
10.2 生物免疫系統的基本原理
10.2.1 免疫系統的功能
10.2.2 固有性免疫回響和適應性免疫回響
10.2.3 免疫系統的結構
10.3 人工免疫系統
10.3.1 人工免疫系統進展
10.3.2 人工免疫系統的研究領域
10.3.3 人工免疫系統與其他方法的比較
10.4 克隆選擇學說與克隆選擇運算元
10.4.1 克隆選擇
10.4.2 克隆運算元
10.5 簡單克隆選擇算法及其性能分析
10.5.1 簡單克隆選擇算法
10.5.2 簡單克隆選擇算法的收斂性
10.5.3 多克隆運算元與單克隆運算元的比較
10.5.4 克隆選擇算法與進化算法
10.5.5 克隆選擇算法的優缺點
10.6 小結
10.6.1 人工免疫系統存在的問題
10.6.2 基於人工免疫系統的綜合集成
10.6.3 人工免疫系統套用研究
10.6.4 人工免疫系統進一步研究的方向
第11章 微粒群算法
11.1 基本的微粒群算法
11.1.1 引言
11.1.2 基本微粒群算法
11.1.3 基本微粒群算法的社會行為分析
11.2 改進的微粒群算法
11.2.1 對基本微粒群算法進化方程的改進
11.2.2 利用小生境思想所做的改進
11.2.3 離散變數的微粒群算法
11.3 微粒群算法的套用
11.3.1 進化計算用於神經網路的最佳化
11.3.2 用PSO算法最佳化神經網路
11.3.3 協同PSO算法最佳化神經網路
11.4 微粒群算法在建築設計上的套用探索
11.4.1 群體智慧型算法總體模式
11.4.2 群體智慧型算法之PSO算法及其在建築設計上的套用探索
