图书介绍
神经网络pdf电子书版本下载
- 史忠植编著 著
- 出版社： 北京：高等教育出版社
- ISBN：9787040265446
- 出版时间：2009
- 标注页数：330页
- 文件大小：26MB
- 文件页数：340页
- 主题词：人工神经元网络
PDF下载
下载说明
神经网络PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
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
图书目录
第1章 绪论 1
1.1 概述 1
1.2 神经网络的研究历史 3
1.3 人脑的神经系统 7
1.3.1 神经元 7
1.3.2 突触 9
1.3.3 动作电位 9
1.3.4 离子通道 13
1.4 神经信息处理的基本原理 15
1.5 简单的神经网络模型 22
1.5.1 简单线性模型 22
1.5.2 线性阈值单元 23
1.5.3 盒中脑状态 23
1.5.4 热力学模型 23
1.6 神经网络的研究内容 25
1.7 神经网络的分类 28
1.8 神经网络研究的发展方向 28
习题 29
第2章 感知器 31
2.1 感知器的认知观点 31
2.2 单层感知器 32
2.2.1 单层感知器网络结构 32
2.2.2 感知器的学习算法 33
2.2.3 感知器算法的收敛性 36
2.2.4 异或问题 37
2.3 多层感知器 38
2.4 学习算法的优化 40
2.4.1 最速下降法 40
2.4.2 牛顿方法 41
2.4.3 高斯一牛顿方法 41
2.5 最小均方（LMS）算法 43
2.5.1 最小均方算法描述 43
2.5.2 最小均方算法的收敛性 44
2.5.3 最小均方算法的评价 46
习题 46
第3章 反向传播网络 48
3.1 概述 48
3.2 反向传播网络的结构 48
3.3 反向传播算法 50
3.3.1 反向传播算法的基本原理 50
3.3.2 反向传播算法的问题 54
3.4 反向传播算法性能分析 55
3.5 反向传播算法的改进 56
3.5.1 动量反向传播算法 56
3.5.2 批量更新 57
3.5.3 搜索然后收敛方法 57
3.5.4 自适应BP算法 58
3.5.5 共轭梯度法 58
3.5.6 拟牛顿法 60
3.5.7 Levenberg-Marquardt算法 61
3.6 反向传播网络学习程序 63
习题 65
第4章 自组织网络 67
4.1 概述 67
4.2 Kohonen自组织映射 69
4.2.1 自组织映射过程 70
4.2.2 SOM算法 73
4.2.3 特征映射 74
4.2.4 拓扑排序 76
4.2.5 密度匹配 77
4.3 学习向量量化 79
4.4 自适应共振理论神经网络 84
4.4.1 ART模型的结构 85
4.4.2 ART的基本工作原理 87
4.4.3 ART模型的数学描述 92
4.5 认知器 94
4.5.1 认知器的结构 94
4.5.2 新认知器 98
4.6 主成分分析 101
4.6.1 基本原理 101
4.6.2 单个神经元的主成分 102
4.6.3 单层网络主成分提取 103
4.6.4 侧抑制自适应主成分提取算法 105
4.7 独立成分分析 106
4.7.1 基本概念 107
4.7.2 独立成分分析神经网络 108
4.7.3 快速固定点算法 110
习题 111
第5章 递归网络 113
5.1 概述 113
5.2 递归网络体系结构 113
5.2.1 输入输出递归网络 113
5.2.2 状态空间模型 114
5.2.3 递归多层感知器 115
5.2.4 二阶网络 116
5.3 状态空间模型 117
5.4 Hopfield网络 118
5.4.1 离散Hopfield网络 119
5.4.2 联想记忆 121
5.4.3 离散Hopfield网络运行程序 126
5.4.4 连续Hopfield网络 130
5.5 双向联想记忆模型 131
5.6 模拟退火算法 133
5.7 玻尔兹曼机 135
5.7.1 网络结构 135
5.7.2 学习算法 136
习题 138
第6章 径向基函数网络 140
6.1 概述 140
6.2 径向基函数数学基础 141
6.2.1 插值计算 141
6.2.2 模式可分性 142
6.2.3 正则化理论 143
6.3 径向基函数网络结构 147
6.3.1 RBF网络拓扑结构 147
6.3.2 RBF网络元素 148
6.4 RBF网络算法分析 150
6.4.1 RBF中心向量确定 151
6.4.2 RBF算法 151
6.4.3 RBF网络性能分析 155
6.5 RBF网络算法优化 156
6.5.1 基于免疫算法的RBF网络优化 157
6.5.2 基于遗传算法的RBF网络优化 158
6.6 CMAC网络 159
6.7 泛函数连接网络 161
6.8 小波神经网络 162
6.9 过程神经网络 162
6.9.1 过程神经网络模型 163
6.9.2 学习算法 164
习题 164
第7章 核函数方法 166
7.1 概述 166
7.2 统计学习问题 167
7.2.1 经验风险 167
7.2.2 VC维 168
7.3 学习过程的一致性 168
7.3.1 学习一致性的经典定义 168
7.3.2 学习理论的重要定理 169
7.3.3 VC熵 169
7.4 结构风险最小归纳原理 170
7.5 支持向量机 172
7.5.1 线性可分 173
7.5.2 线性不可分 174
7.6 核函数 176
7.6.1 多项式核函数 176
7.6.2 径向基函数 176
7.6.3 多层感知器 176
7.6.4 动态核函数 176
7.7 核主成分分析 178
习题 179
第8章 神经网络集成 180
8.1 概述 180
8.2 神经网络集成的基本原理 181
8.3 神经网络集成的方法 181
8.4 结论生成方法 182
8.5 个体生成方法 183
8.5.1 Boosting算法 184
8.5.2 Bagging算法 185
8.6 基于Bagging的聚类 186
8.7 神经网络集成系统的规则获取 187
8.8 神经专家系统 189
8.8.1 知识表示的神经网络方法 189
8.8.2 推理机制 190
习题 192
第9章 模糊神经网络 193
9.1 概述 193
9.2 算术模糊神经网络 194
9.3 模糊逻辑 195
9.4 模糊联想记忆 196
9.5 神经模糊推理系统 198
9.6 神经网络近似逻辑 201
习题 202
第10章 概率神经网络 203
10.1 概述 203
10.2 贝叶斯定理 203
10.3 概率密度函数 204
10.4 模式分类的贝叶斯判定策略 205
10.5 密度估计的一致性 205
10.6 概率神经网络 206
10.7 激活函数 208
10.8 贝叶斯阴阳系统理论 209
习题 211
第11章 脉冲耦合神经网络 212
11.1 概述 212
11.2 视觉皮层理论 212
11.2.1 Hodgkin-Huxley模型 213
11.2.2 FitzHugh-Nagumo模型 214
11.2.3 Eckhorn模型 214
11.3 脉冲耦合神经网络模型 215
11.4 交叉皮层模型 217
11.5 贝叶斯连接域神经网络模型 217
11.5.1 带噪声的神经元发放方式 217
11.5.2 神经元输入的贝叶斯耦合方式 218
11.5.3 神经元之间的竞争关系 219
11.6 贝叶斯连接域神经网络模型在特征捆绑中的应用 220
习题 224
第12章 神经场理论 225
12.1 概述 225
12.2 信息几何 226
12.2.1 微分流形 226
12.2.2 切向量和切向量空间 228
12.2.3 Riemanniann流形 229
12.2.4 仿射联络 229
12.2.5 测地线 230
12.2.6 Levi-Civita曲率 231
12.2.7 流形上向量的平移变换与平坦流形 231
12.3 统计流形上的Riemann度量 232
12.3.1 参数分布族的几何 232
12.3.2 切空间及其统计表示 233
12.3.3 Riemann度量和Fisher信息 233
12.4 神经场理论模型 234
12.4.1 神经场表示 234
12.4.2 神经场学习理论 236
12.5 基于Fisher分的朴素贝叶斯分类器 241
12.5.1 Fisher分 241
12.5.2 基于Fisher分的朴素贝叶斯分类器构建算法 242
12.6 动态神经场模型 243
12.6.1 数学框架 243
12.6.2 动态行为 244
12.6.3 图案形成 244
12.6.4 行波 245
习题 246
第13章 神经元集群 247
13.1 概述 247
13.2 大脑皮层 248
13.3 嗅觉神经系统的K系列模型 251
13.3.1 KO模型 252
13.3.2 KⅠ模型 252
13.3.3 KⅠ模型 253
13.3.4 KⅢ模型 253
13.4 皮层功能柱的细胞结构 255
13.5 皮层功能柱理论模型 257
13.5.1 神经元模型 258
13.5.2 突触模型 260
13.5.3 网络结构 260
13.5.4 网络的输入 260
13.5.5 度量指标和计算方法 261
13.5.6 模拟结果 261
13.6 集群编码 264
13.6.1 运动方向的神经元集群编码 265
13.6.2 神经编码的精确性 265
13.6.3 Bayesian方法的最佳译码 266
13.7 神经元集群时空编码 267
习题 268
第14章 神经计算机 269
14.1 神经计算机的体系结构 269
14.1.1 全硬件实现 269
14.1.2 虚拟实现 271
14.2 电子神经器件 272
14.2.1 数字神经芯片 273
14.2.2 电压模式神经器件 275
14.2.3 开关电容神经网络 276
14.2.4 电流模式神经器件 276
14.3 电子神经计算机 277
14.3.1 神经网络协处理器 278
14.3.2 并行处理机阵列 282
14.3.3 脉动神经计算机 283
14.4 基于细胞自动机的人工脑 284
14.5 光神经计算机 287
14.5.1 矩阵处理器 287
14.5.2 空间光调制器 289
14.5.3 光互连 290
14.5.4 光全息存储器 290
14.5.5 全光神经计算机 290
14.6 光电神经计算机 291
14.7 分子神经计算机 293
14.7.1 分子计算的宏-微模式 293
14.7.2 生物芯片 294
14.7.3 分子神经计算机的体系结构 294
习题 297
参考文献 298