图书介绍
人工神经网络理论、设计及应用 第2版pdf电子书版本下载
- 韩力群编著 著
- 出版社： 北京：化学工业出版社
- ISBN：9787502595234
- 出版时间：2007
- 标注页数：243页
- 文件大小：17MB
- 文件页数：255页
- 主题词：人工神经元网络－高等学校－教材
PDF下载
下载说明
人工神经网络理论、设计及应用 第2版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
1 绪论 1
1.1 人脑与计算机 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 9
1.2.4 新时期 10
1.2.5 国内研究概况 11
1.3 神经网络的基本特征与功能 14
1.3.1 神经网络的基本特征 14
1.3.2 神经网络的基本功能 14
1.4 神经网络的应用领域 16
1.4.1 信息处理领域 16
1.4.2 自动化领域 16
1.4.3 工程领域 17
1.4.4 经济领域 17
1.4.5 医学领域 18
本章小结 19
思考与练习 19
2 神经网络基础知识 20
2.1 人工神经网络的生物学基础 20
2.1.1 生物神经元的结构 20
2.1.2 生物神经元的信息处理机理 21
2.2 人工神经元模型 24
2.2.1 神经元的建模 24
2.2.2 神经元的数学模型 25
2.2.3 神经元的转移函数 26
2.3 人工神经网络模型 27
2.3.1 网络拓扑结构类型 28
2.3.2 网络信息流向类型 29
2.4 神经网络学习 30
2.4.1 Hebb学习规则 31
2.4.2 Perceptron学习规则 33
2.4.3 δ学习规则 33
2.4.4 LMS学习规则 35
2.4.5 Correlation学习规则 35
2.4.6 Winner-Take-All学习规则 35
2.4.7 Outstar学习规则 36
本章小结 36
思考与练习 37
3 监督学习神经网络 38
3.1 单层感知器 38
3.1.1 感知器模型 38
3.1.2 单节点感知器的功能分析 39
3.1.3 感知器的学习算法 42
3.1.4 感知器的局限性及解决途径 44
3.2 基于误差反传的多层感知器——BP神经网络 47
3.2.1 BP网络模型 47
3.2.2 BP学习算法 48
3.2.3 BP算法的程序实现 51
3.2.4 BP网络的主要能力 52
3.2.5 误差曲面与BP算法的局限性 53
3.3 BP算法的改进 54
3.3.1 增加动量项 54
3.3.2 自适应调节学习率 54
3.3.3 引入陡度因子 55
3.4 BP网络设计基础 55
3.4.1 网络信息容量与训练样本数 55
3.4.2 训练样本集的准备 56
3.4.3 初始权值的设计 60
3.4.4 BP网络结构设计 60
3.4.5 网络训练与测试 61
3.5 BP网络应用与设计实例 62
3.5.1 BP网络用于催化剂配方建模 62
3.5.2 BP网络用于汽车变速器最佳挡位判定 63
3.5.3 BP网络用于图像压缩编码 64
3.5.4 BP网络用于水库优化调度 64
3.5.5 BP网络用于证券预测 65
3.5.6 BP网络用于信用评价模型及预警 66
本章小结 67
思考与练习 67
4 竞争学习神经网络 71
4.1 竞争学习的概念与原理 71
4.1.1 基本概念 71
4.1.2 竞争学习原理 73
4.2 自组织特征映射神经网络 76
4.2.1 SOM网的生物学基础 76
4.2.2 SOM网的拓扑结构与权值调整域 76
4.2.3 自组织特征映射网的运行原理与学习算法 77
4.3 自组织特征映射网络的设计与应用 81
4.3.1 SOM网的设计基础 81
4.3.2 设计与应用实例 83
4.4 自适应共振理论 89
4.4.1 ARTⅠ型网络 90
4.4.2 ARTⅠ型网络的应用 94
4.4.3 ARTⅡ型网络 98
4.4.4 ARTⅡ型网络的应用 101
本章小结 104
思考与练习 105
5 组合学习神经网络 107
5.1 学习向量量化神经网络 107
5.1.1 向量量化 107
5.1.2 LVQ网络结构与工作原理 107
5.1.3 LVQ网络的学习算法 108
5.1.4 LVQ网络的设计与应用 110
5.2 对向传播神经网络 112
5.2.1 网络结构与运行原理 112
5.2.2 CPN的学习算法 113
5.2.3 改进的CPN网举例 115
5.2.4 CPN网的应用 116
本章小结 117
思考与练习 118
6 反馈神经网络 119
6.1 离散型Hopfield神经网络 119
6.1.1 网络的结构与工作方式 119
6.1.2 网络的稳定性与吸引子 120
6.1.3 网络的权值设计 126
6.1.4 网络的信息存储容量 127
6.2 连续型Hopfield神经网络 128
6.2.1 网络的拓扑结构 128
6.2.2 能量函数与稳定性分析 129
6.3 Hopfield网络应用与设计实例 130
6.3.1 应用DHNN网解决联想问题 130
6.3.2 应用CHNN网解决优化计算问题 130
6.4 双向联想记忆神经网络 134
6.4.1 BAM网结构与原理 134
6.4.2 能量函数与稳定性 135
6.4.3 BAM网的权值设计 136
6.4.4 BAM网的应用 137
6.5 随机神经网络 138
6.5.1 模拟退火原理 139
6.5.2 Boltzmann机 140
6.6 递归神经网络 144
6.6.1 递归网络模型 144
6.6.2 递归网络的学习算法 146
6.6.3 递归网络应用举例 151
本章小结 152
思考与练习 152
7 小脑模型神经网络 154
7.1 CMAC网络的结构 154
7.2 CMAC网络的工作原理 155
7.2.1 从X到M的映射 155
7.2.2 从M到A的映射 157
7.2.3 从A到Ap的映射 158
7.2.4 从Ap到F的映射 158
7.3 CMAC网络的学习算法 159
7.3.1 CMAC网络的学习算法 159
7.3.2 CMAC网络的特点 159
7.4 CMAC网络的应用 160
7.4.1 CMAC网络在机器人手臂协调控制中的应用 160
7.4.2 CMAC网络在有源噪声控制中的应用 161
本章小结 163
思考与练习 163
8 基于数学原理的神经网络 164
8.1 径向基函数RBF 164
8.1.1 基于径向基函数技术的函数逼近与内插 164
8.1.2 正则化RBF神经网络 166
8.1.3 广义RBF神经网络 167
8.1.4 RBF网络与BP网络的比较 171
8.1.5 RBF网络设计应用实例 172
8.2 主分量分析 177
8.2.1 主分量分析方法概述 177
8.2.2 前向PCA神经网络及学习算法 181
8.2.3 侧向连接自适应PCA神经网络及APEX算法 183
8.3 支持向量机 184
8.3.1 支持向量机的基本思想 184
8.3.2 支持向量机神经网络 188
8.3.3 支持向量机的学习算法 189
8.3.4 支持向量机处理XOR问题 190
本章小结 191
9 神经网络的系统设计与软件实现 193
9.1 神经网络系统总体设计 193
9.1.1 神经网络的适用范围 193
9.1.2 神经网络的设计过程与需求分析 194
9.1.3 神经网络的性能评价 195
9.1.4 输入数据的预处理 197
9.2 神经网络的软件实现 198
9.2.1 软件运行的若干问题 198
9.2.2 软件实现的若干问题 199
9.3 神经网络的高级开发环境 200
9.3.1 神经网络的开发环境及其特征 201
9.3.2 MATLAB神经网络工具箱 201
9.3.3 其他神经网络开发环境简介 203
10 神经网络研究展望 206
10.1 人工神经网络研究中的几个问题 206
10.2 人工神经网络研究展望 207
10.2.1 应用研究的新特点——多学科综合 207
10.2.2 实现技术研究的当务之急——神经网络的硬件实现 207
10.2.3 理论研究的新方向——从人工神经网络到人工神经系统 207
附录1 常用神经网络C语言源程序 209
附录2 神经网络常用术语英汉对照 240
参考文献 242