人工神經網絡：理論·模型·算法與應用

第一章　神經網絡基礎概論
§1.1　神經網絡理論形成的科學背景
§1.2　神經網絡理論的發(fā)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　人工神經網絡的生物學基礎和人工神經元模型
1.3.1　神經網絡的生物學基礎
1.3.2　人工神經元模型
§1.4　神經網絡模型的定義和結構
1.4.1　神經網絡模型的定義
1.4.2　神經網絡模型的結構
§1.5　人工神經網絡計算和傳統計算的特點比較
§1.6　神經網絡的學習規(guī)則與實現
1.6.1　神經網絡的學習規(guī)則
1.6.2　神經網絡的實現
§1.7　神經網絡的應用領域
第二章　前饋神經網絡
§2.1　感知器
2.1.1　單層感知器的網絡結構
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神經網絡
2.2.1　BP網絡的結構
2.2.2　BP網絡的分類能力
§2.3　BP網絡的學習算法
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　前饋型多層網絡的映射能力與逼近能力
2.4.1　前饋網絡的映射能力
2.4.2　前饋網絡的逼近能力
§2.5 BP網絡的設計討論
§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++語言程序
2.6.2　運行結果
§2.7　BP神經網絡小結
§2.8　徑向基函數(RBF)神經網絡
2.8.1　RBF神經網絡的生物學背景與結構
2.8.2 RBF網絡的學習算法
§2.9　小波神經網絡
2.9.1　小波函數的定義
2.9.2　小波神經網絡的結構
2.9.3　小波神經網絡的優(yōu)點和學習算法
§2.10　小腦模型神經網絡
2.10.1 CMAC網絡的結構
2.10.2 CMAC網絡的學習算法
§2.11 FLAT神經網絡
2.11.1 FLAT神經網絡的結構
2.11.2 FLAT神經網絡的學習算法
§2.12　用徑向基函數神經網絡實現EEG信號的預測
2.12.1　預測原理及其模型
2.12.2 RBF網絡徑向基函數的改進
2.12.3　數據處理結果及討論
第三章　反饋神經網絡
§3.1　概述
§3.2　離散Hopfield神經網絡
3.2.1 網絡的結構及工作方式
3.2.2　網絡的能量函數與穩(wěn)定性分析
3.2.3　網絡的聯想記憶和記憶容量
　　……
第四章　自組織神經網絡
第五章　混沌神網絡及其混沌控制
第六章　基于神經網絡的系統辨識
第七章　神經網絡與自動控制
參考文獻
附錄1　用四階龍格—庫塔算法求解Lorenz系統的C語言程序
附錄2　時間序列快速傅立葉變換（FFT）的C語言程序