人工神经网络理论及应用_韩力群_9787111559443

该书系统地论述了人工神经网络的主要理论、设计基础及应用实例，旨在使读者理解和熟悉神经网络的基本原理和主要应用，掌握它的结构和设计应用方法，为深入研究和应用开发打下基础。为了便于读者理解，书中尽量避免烦琐的数学推导，加强了应用举例，并在内容的选择和编排上注意到读者初次接触新概念的易接受性和思维的逻辑性，也注意引入目前神经网络研究领域的前沿知识如深度网络等。为便于读者能将理论转化为应用，在主要章节的后都给出了MATLAB的应用例子，并对程序和结果进行了详细的讲解。

　　众所周知，计算机是目前功能最强大的信息处理工具。在数值运算和逻辑运算方面的精确与高速极大地拓展了人脑的能力，从而在信息处理和控制决策等各方面为人们提供了实现智能化和自动化的先进手段。然而，由于现有计算机是按照冯·诺依曼原理，基于程序存取进行工作的，历经半个多世纪的发展，其结构模式与运行机制仍然没有跳出传统的逻辑运算规则，因而在学习认知、记忆联想、推理判断、综合决策等很多方面的信息处理能力还远不能达到人脑的智能水平。随着现代信息科学与技术的飞速发展，这方面的问题日趋尖锐，促使科学家和技术专家寻找解决问题的新出路。

　　当人们的思路转向研究精妙的人脑结构模式和信息处理机制时，推动了脑科学的深入发展以及人工神经网络和脑模型的研究。随着对生物脑的深入了解，人工神经网络获得长足发展。在经历了漫长的启蒙期和低潮期后，人工神经网络终于以其不容忽视的潜力与活力进入了快速发展的新时期。特别是20世纪80年代以来，神经网络的结构与功能逐步改善，运行机制渐趋成熟，应用领域日益扩大，在解决各行各业的难题中显示出巨大的潜力，取得了丰硕的成果。

　　为了适应人工神经网络应用不断深化的形势，大力普及人工神经网络的学科知识，迅速培养应用人工神经网络的技术人才，国内各高校均已在研究生及本科教育阶段开设了人工神经网络课程。特别是2004年以来，国内已有许多高校设立了“智能科学与技术”本科专业，而神经网络课程作为一类重要的脑式智能信息处理系统，在“智能科学与技术”等相关专业领域的人才培养中具有非常重要的作用。作者从1996年起连续10年为研究生讲授“人工神经网络”课程，并在多项研究课题中应用人工神经网络取得较好的效果，积累了丰富的教学与科研实践经验，在教材讲义的基础上撰写成书。本书旨在为高等院校信息类专业（如计算机科学与技术、控制工程、电气工程、电子信息工程、信息工程和通信等）的研究生和智能科学与技术专业的本科学生以及各类科技人员提供一本系统介绍人工神经网络的基本理论、设计方法及实现技术的适用教材。

　　本书具有以下特点：①注重物理概念内涵的论述，尽量避免因烦琐的数学推导影响读者的学习兴趣；②加强举例与思考练习，并对选自科技论文的应用实例进行改编、分析与说明，避免将科技论文直接缩写为应用实例；③对常用网络及算法着重介绍其实用设计方法，以便读者通过学习与练习获得独立设计人工神经网络的能力；④在内容的选择和编排上注意到读者初次接触新概念的易接受性和思维的逻辑性，力求深入浅出，自然流畅；⑤各章选择的神经网络均应用广泛，且所需数学基础不超出研究生数学课程范围。

　　Ⅳ全书共分12章。第1章对人脑与计算机信息处理能力与机制进行了比较，归纳了人脑生物神经网络的基本特征与功能，介绍了人工神经网络的发展简史及主要应用领域。第2章阐述了人工神经网络的基础知识，包括人脑的结构与神经系统、生物神经元信息处理机制、人工神经元模型、人工神经网络模型以及几种常用学习算法。第3章讨论了常用前馈神经网络，重点论述了基于误差反向传播算法的多层前馈网络的拓扑结构、算法原理、设计方法及应用实例，并给出基于ＭＡＴＬＡＢ的ＢＰ网络应用实例。第4章讨论了竞争学习的概念与原理，在此基础上论述了自组织特征映射、学习矢量量化、对偶传播以及自适应共振等多种自组织神经网络的结构、原理及算法，并重点介绍了自组织特征映射网络的设计与应用，给出了基于ＭＡＴＬＡＢ的ＳＯＭ网络聚类应用实例。第5章阐述了径向基函数网络的原理、学习算法及设计应用实例，并给出了基于ＭＡＴＬＡＢ的ＲＢＦ网络应用实例。第6章讨论了几种用于联想记忆及优化计算的反馈神经网络，包括离散型与连续型Ｈｏｐｆｉｅｌｄ网络，双向联想记忆网络以及随机神经网络玻尔兹曼机。第7章简要介绍了智能控制中常用的局部逼近神经网络———小脑模型控制器。第8章论述了近年得到广泛应用的深度神经网络，讨论了受限玻尔兹曼机和深度置信网，介绍了卷积神经网络基本概念及原理，以及堆栈式自动编码器。第9章论述了支持向量机的原理、算法和设计实例，并给出了基于ＭＡＴＬＡＢ的支持向量机分类应用实例。第10章介绍了遗传算法的基本原理与操作，给出了在神经网络结构和参数优化中的应用实例。第11章介绍了人工神经网络的软件实现方法和硬件实现技术。第12章介绍了人工神经系统的基本概念、体系结构、控制特性、信息模式和应用示例，作为学习人工神经网络的扩展知识。

　　本书的出版得到北京工商大学研究生院的资助。

　　书中疏漏之处，恳请同行专家和广大读者指正。

　　编著者

前言第１章　绪论１　１. １　人工神经网络概述１　　１. １. １　人脑与计算机信息处理能力的比较２　　１. １. ２　人脑与计算机信息处理机制的比较３　　１. １. ３　什么是人工神经网络４　１. ２　人工神经网络发展简史５　　１. ２. １　启蒙时期５　　１. ２. ２　低潮时期７　　１. ２. ３　复兴时期８　　１. ２. ４　新时期９　　１. ２. ５　海量数据时代１２　　１. ２. ６　国内研究概况１２　１. ３　神经网络的基本特征与功能１３　　１. ３. １　神经网络的基本特点１３　　１. ３. ２　神经网络的基本功能１３　１. ４　神经网络的应用领域１５　　１. ４１　信息处理领域１５　　１. ４. ２　自动化领域１６　　１. ４. ３　工程领域１６　　１. ４. ４　医学领域１７　　１. ４. ５　经济领域１７　本章小结１８　习题１９第２章　人工神经网络建模基础２０　２. １　脑的生物神经系统概述２０　　２. １. １　人体神经系统的构成２０　　２. １. ２　高级中枢神经系统的功能２１　　２. １. ３　脑组织的分层结构２２　２. ２　生物神经网络基础２３　　２. ２. １　生物神经元的结构２３　　２. ２. ２　生物神经元的信息处理机理２４　２. ３　人工神经元模型２６　　２. ３. １　神经元的建模２６　　２. ３. ２　神经元的数学模型２７　　２. ３. ３　神经元的变换函数２８　２. ４　人工神经网络模型３０　　２. ４. １　网络拓扑结构类型３０　　２. ４. ２　网络信息流向类型３１　２. ５　神经网络学习３２　　２. ５. １　Ｈｅｂｂｉａｎ学习规则３４　　２. ５. ２　离散感知器学习规则３５　　２. ５. ３　连续感知器学习规则３６　　２. ５. ４　最小方均学习规则３７　　２. ５. ５　相关学习规则３８　　２. ５. ６　胜者为王学习规则３８　　２. ５. ７　外星学习规则３８　本章小结４０　习题４０第３章　感知器神经网络４２　３. １　单层感知器４２　　３. １. １　感知器模型４２　　３. １. ２　感知器的功能４３　　３. １. ３　感知器的局限性４５　　３. １. ４　感知器的学习算法４５　３. ２　多层感知器４７　３. ３　自适应线性单元简介４９　　３. ３. １　ＡＤＡＬＩＮＥ模型４９　　３. ３. ２　ＡＤＡＬＩＮＥ学习算法４９　　３. ３. ３　ＡＤＡＬＩＮＥ应用５１　３. ４　误差反传算法５１ Ⅵ　　　３. ４. １　基于ＢＰ算法的多层感知器模型５２　　３. ４. ２　ＢＰ学习算法５３　　３. ４. ３　ＢＰ算法的程序实现５６　　３. ４. ４　多层感知器的主要能力５７　　３. ４. ５　误差曲面与ＢＰ算法的局限性５８　３. ５　标准ＢＰ算法的改进５９　　３. ５. １　增加动量项５９　　３. ５. ２　自适应调节学习率５９　　３. ５. ３　引入陡度因子６０　３. ６　基于ＢＰ算法的多层感知器设计基础６０　　３. ６. １　网络信息容量与训练样本数６０　　３. ６. ２　训练样本集的准备６１　　３. ６. ３　初始权值的设计６４　　３. ６. ４　多层感知器结构设计６５　　３. ６. ５　网络训练与测试６６　３. ７　基于ＢＰ算法的多层感知器应用与设计实例６７　　３. ７. １　基于ＢＰ算法的多层感知器用于催化剂配方建模６７　　３. ７. ２　基于ＢＰ算法的多层感知器用于汽车变速器最佳挡位判定６８　　３. ７. ３　基于ＢＰ算法的多层感知器用于图像压缩编码６９　　３. ７. ４　基于ＢＰ算法的多层感知器用于水库优化调度６９　３. ８　基于ＭＡＴＬＡＢ的ＢＰ网络应用实例７０　　３. ８. １　ＢＰ网络用于数据拟合７０　　３. ８. ２　ＢＰ网络用于鸢尾花分类问题７２　扩展资料７６　本章小结７７　习题７７第４章　自组织竞争神经网络８０　４. １　竞争学习的概念与原理８０　　４. １. １　基本概念８０　　４. １. ２　竞争学习原理８２　４. ２　自组织特征映射神经网络８４　　４. ２. １　ＳＯＦＭ网的生物学基础８５　　４. ２. ２　ＳＯＦＭ网的拓扑结构与权值调整域８５　　４. ２. ３　自组织特征映射网的运行原理与学习算法８６　　４. ２. ４　ＳＯＦＭ网的设计基础９０　　４. ２. ５　应用与设计实例９２　４. ３　学习向量量化神经网络９５　　４. ３. １　向量量化９５　　４. ３. ２　ＬＶＱ网络结构与工作原理９６　　４. ３. ３　ＬＶＱ网络的学习算法９７　４. ４　对偶传播神经网络９８　　４. ４. １　网络结构与运行原理９８　　４. ４. ２　ＣＰＮ的学习算法９９　　４. ４. ３　改进的ＣＰＮ网１００　　

你还可能感兴趣

我要评论