人工神经网络原理及仿真实例pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

人工神经网络原理及仿真实例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

第1章 引言 1

1.1 人工神经网络简介 1

1.2 人工神经网络发展历史 1

1.2.1 兴起阶段 1

1.2.2 萧条阶段 3

1.2.3 兴盛阶段 4

1.3 人工神经网络模型 6

1.3.1 生物神经元模型 6

1.3.2 人工神经网络的模型 7

1.4 人工神经网络的分类及学习规则 10

1.4.1 人工神经网络的分类 10

1.4.2 神经网络的学习 12

1.5 人工神经网络的信息处理能力 16

1.6 人工神经网络的应用 17

1.7 人工神经网络与人工智能 18

1.7.1 人工智能简介 18

1.7.2 人工智能与人工神经网络 19

1.8 习题 20

第2章 单层前向网络及LMS学习算法 23

2.1 单层感知器 23

2.1.1 单层感知器模型 23

2.1.2 单层感知器的学习算法 24

2.2 自适应线性元件 27

2.3 LMS学习算法 30

2.4 仿真实例 33

2.5 习题 43

3.1 多层感知器 44

第3章 多层前向网络及BP学习算法 44

3.2.1 BP学习算法 45

3.2 BP学习算法 45

3.2.2 BP学习算法步骤 49

3.2.3 BP学习算法的改进 53

3.3 径向基网络 55

3.3.1 RBF神经网络模型 56

3.3.2 RBF网络的学习算法 59

3.3.3 RBF网络与多层感知器的比较 63

3.4 仿真实例 63

3.5 习题 73

第4章 支持向量机及其学习算法 76

4.1 统计学习理论 77

4.2.1 线性支持向量机 78

4.2 支持向量机 78

4.2.2 非线性支持向量机 81

4.2.3 支持向量机与多层前向网络的比较 84

4.3 支持向量机的学习算法 84

4.3.1 学习算法 84

4.3.2 改进算法 85

4.4 仿真实例 86

4.5 习题 94

第5章 Hopfield神经网络与联想记忆 95

5.1 神经动力学 95

5.2 离散Hopfield神经网络 97

5.2.1 离散Hopfield网络模型 97

5.2.2 离散Hopfield网络的运行规则 98

5.3 连续Hopfield神经网络 99

5.3.1 连续Hopfield网络模型 100

5.3.2 连续Hopfield网络稳定性分析 101

5.4 联想记忆 102

5.4.1 联想记忆的基本概念 102

5.4.2 Hopfield联想记忆网络 105

5.4.3 Hopfield联想记忆网络的运行步骤 106

5.4.4 联想记忆网络的改进 108

5.5 仿真实例 109

5.6 习题 118

第6章 随机神经网络及模拟退火算法 119

6.1 Boltzmann机 119

6.1.1 Boltzmann机的网络结构 120

6.1.2 Boltzmann机的工作原理 121

6.1.3 Boltzmann机的运行步骤 123

6.1.4 Boltzmann机的学习规则 124

6.2 Boltzmann机的改进 126

6.2.1 确定性Boltzmann机 126

6.2.2 Sigmoid置信度网络 127

6.3 模拟退火算法 129

6.3.1 模拟退火原理 130

6.3.2 模拟退火算法用于组合优化问题 131

6.4 仿真实例 133

6.5 习题 140

第7章 竞争神经网络 141

7.1 Hamming网络 142

7.1.1 Hamming网的网络结构 142

7.1.2 网络的运行过程 143

7.1.3 网络的学习算法 144

7.2 自组织映射网络 146

7.2.1 自组织映射网络模型 147

7.2.2 自组织映射学习算法 148

7.3 学习矢量量化 151

7.3.1 网络模型 151

7.3.2 学习矢量量化的学习算法 152

7.3.3 学习矢量量化和自组织映射 154

7.4 主分量分析 155

7.4.1 主分量分析方法 155

7.4.2 前向主分量分析网络及其算法 158

7.4.3 自适应主分量网络及其算法 160

7.5 仿真实例 162

7.6 习题 176

第8章 协同神经网络 178

8.1 协同学简介 179

8.1.1 协同学的基本概念 180

8.1.2 协同学的数学模型 180

8.2 协同神经网络及其学习算法 183

8.2.1 协同神经网络的数学模型 183

8.2.2 协同神经网络的结构 185

8.2.3 协同神经网络的运行步骤 188

8.2.4 协同学习算法 189

8.3 仿真实例 192

8.4 习题 196

附录1 MATLAB及神经网络工具箱简介 197

附录2 MATLAB(5.X版)中神经网络工具箱函数 203

参考文献 208