人工神经网络理论·模型·算法与应用

章节摘录

插图：第一章神经网络基础概论近代科学诞生之后，人类在研究自然现象及其规律性时，总是把研究对象归结为一个数学模型，通过研究这个数学模型的性质和规律达到认识自然界规律性的目的。神经网络模型就是一种基于生理学的智能仿生模型，它体现了当代几种著名的科学理论，如计算神经理论、耗散结构理论及分形、混沌理论的基本精神。它的突出特点是超高维和强非线性，具有自组织、自适应和自学习能力，以及非局域性、非定常性和非凸性等特点。神经网络模型的出现及其理论的发展，成为了一个全新的科学模型化的新范例，将对计算机科学与技术及其他相关科学的发展产生持久而深远的影响。§1.1神经网络理论形成的科学背景从神经网络科学的发展史来看，虽然早在20世纪40年代，心理学家和数学家出于研究人脑认知功能的目的，开展了基于生理学的智能仿生模型——即人工神经网络（以下简称神经网络）的研究，但神经网络作为一门科学，它成熟于20世纪80年代至90年代中期。经历了一个兴衰起伏的曲折发展过程，这一过程的出现是科学发展自身的规律性作用和实际应用需要的结果，主要有以下几个方面的原因：（1）人类在研究自然、改造自然的过程中，逐渐认识到了研究人类大脑的物质结构、意识活动和生物特征的极端重要性。虽然人们已能从神经结构、细胞体构成和分子生物学的水平上初步探明了大脑组织的特征，并已可以通过生理实验证明许多大脑的认知机理，而且从定性上掌握了人脑的信息处理具有并行运算、分布式存储、自学习和联想记忆的特点。但因脑神经细胞的数量巨大（约为100亿个）和连接的高度复杂性，人们到目前为止还不能完全掌握大脑的物质组成结构、大脑思维、意识和精神活动的特点。神经网络理论的诞生，是人类建立研究大脑的一种科学模型化的新范例。

前言

20世纪80年代以来，以美国为代表，掀起了一股人工神经网络研究的热潮。人工神经网络具有超高维、强非线性、自学习、自适应、自组织和并行处理等众多独特的性能和优点，使其在许多实际应用领域：如系统辨识、自动控制、故障诊断、模式识别、组合优化、通信和语音及图像、信号处理中得到广泛的应用并取得了显著成效，能够解决传统方法极难求解的一些问题，如旅行推销员问题（TSP问题）。人工神经网络是一门新兴的交叉科学，它源于当代几种著名的科学理论，如计算神经理论、统计物理中非平衡系统的自组织理论及分形与混沌理论。这门学科的出现不是偶然的，一方面是科学和工程的广泛领域出于自身发展的需要，例如自动控制领域中人们遇到了日益复杂的控制系统（时变、非线性、多变量控制系统）及越来越高的控制要求，使得传统的控制方法遇到了极大的挑战；人工智能和计算机科学也出现了很多困难，这促使人们去试图模拟人脑的优异功能来解决传统方法遇到的问题。另一方面是有关交叉学科，如脑科学、认知科学、统计物理、分形与混沌理论等取得了长足的发展，为人工神经网络理论的形成打下了坚实的基础。

书籍目录

第一章 神经网络基础概论1．1 神经网络理论形成的科学背景1．2 神经网络理论的发展历史与趋势1．2．1 早期阶段1．2．2 20世纪70年代的过渡期1．2．3 20世纪80年代的高潮期1．2．4 目前的研究状况和方向1．3 人工神经网络的生物学基础和人工神经元模型1．3．1 神经网络的生物学基础1．3．2 人工神经元模型1．4 神经网络模型的定义和结构1．4．1 神经网络模型的定义1．4．2 神经网络模型的结构1．5 人工神经网络计算和传统计算的特点比较1．6 神经网络的学习规则与实现1．6．1 神经网络的学习规则1．6．2 神经网络的实现1．7 神经网络的应用领域第二章 前馈神经网络2．1 感知器2．1．1 单层感知器的网络结构2．1．2 单层感知器的表征能力与线性可分性．2．1．3 感知器的学习算法2．2 前馈型BP神经网络2．2．1 BP网络的结构2．2．2 BP网络的分类能力2．3 BP网络的学习算法2．3．1 误差反向传播学习算法(EBP)2．3．2 EBP算法的缺点与改进2．3．3 模拟退火算法2．3．4 遗传算法2．4 前馈型多层网络的映射能力与逼近能力2．4．1 前馈网络的映射能力2．4．2 前馈网络的逼近能力2．5 BP网络的设计讨论2．6 BP学习算法的VC++语言编程及有关结果2．6．1 EBP学习算法实现异或分类的C++语言程序2．6．2 运行结果2．7 BP神经网络小结2．8 径向基函数(RBF)神经网络2．8．1 RBF神经网络的生物学背景与结构2．8．2 RBF网络的学习算法2．9 小波神经网络2．9．1 小波函数的定义2．9．2 小波神经网络的结构2．9．3 小波神经网络的优点和学习算法2．10 小脑模型神经网络2．10．1 CMAC网络的结构2．10．2 CMAC网络的学习算法2．11 FLAT神经网络2．11．1 FLAT神经网络的结构2．11．2 FLAT神经网络的学习算法2．12 用径向基函数神经网络实现EEG信号的预测2．12．1 预测原理及其模型2．12．2 RBF网络径向基函数的改进2．12．3 数据处理结果及讨论第三章 反馈神经网络3．1 概述3．2 离散Hopfield神经网络3．2．1 网络的结构及工作方式3．2．2 网络的能量函数与稳定性分析3．2．3 网络的联想记忆和记忆容量3．3 连续Hopfield神经网络3．3．1 网络的拓扑结构3．3．2 CHNN的能量函数与稳定性分析3．4 连续Hopfield网络用于组合优化问题的求解3．4．1 基于连续Hopfield网络求解TSP问题3．4．2 算法的具体实现及计算结果3．4．3 基于Hopfield网络的A／D转换器3．5 Hopfield神经网络运行的C语言程序3．6 随机神经网络3．6．1 Boltzman机3．7 递归神经网络第四章 自组织神经网络4．1 概述4．2 自组织竞争型神经网络4．2．1 基本竞争型神经网络及其学习规则4．2．2 抑制竞争型神经网络及其学习规则4．3 自适应共振理论神经网络4．3．1 ART神经网络的主要优点4．3．2 ART-1的基本原理4．3．3 ART-1神经网络的学习算法4．3．4 ART-2神经网络4．3．5 ART-2神经网络小结4．4 Kohonen自组织特征映射网络及其学习算法4．4．1 SOFM网络结构4．4．2 Kohonen自组织映射算法4．4．3 学习速率函数和连接权初值确定问题的讨论4．4．4 实例4．5 SOMF神经网络模拟概率分布的C++语言程序第五 章混沌神经网络及其混沌控制5．1 混沌神经网络研究的历史与现状5．2 混沌神经网络模型及其动力学特征5．2．1 互联混沌神经网络5．2．2 自组织映射混沌神经网络5．2．3 离散混沌神经网络模型5．3 混沌神经网络中的混沌行为控制5．4 混沌神经网络在优化计算中的应用5．5 混沌神经网络在动态关联存储方面的应用5．6 前馈型神经网络用于混沌控制5．6．1 控制方法5．6．2 数值模拟5．6．3 控制机理的进一步讨论5．7 神经网络特征的归纳和总结第六章 基于神经网络的系统辨识6．1 系统辨识的基本概念和内容6．1．1 系统辨识的定义6．1．2 线性系统的辨识方法6．1．3 系统辨识的内容?6．1．4 实际辨识中要考虑的几个关键问题6．1．5 非线性系统的特点及其辨识方法6．2 基于神经网络的系统辨识6．2．1 基于神经网络辨识的特点6．2．2 几种典型的非线性模型与结构6．2．3 基于神经网络辨识的条件和结构6．2．4 基于神经网络的两种主要模型的辨识结构6．3 基于神经网络的逆动力学系统的辨识6．3．1 非线性系统的可逆性6．3．2 逆系统建模方法6．4 基于BP网络的系统辨识与实例6．4．1 基于BP网络的系统辨识算法6．4．2 基于BP网络系统辨识的实例第七章 神经网络与自动控制7．1 概述7．2 神经网络控制的发展及其用于控制的优越性7．2．1 神经网络控制的发展7．2．2 神经网络用于控制的优越性7．3 线性系统的神经网络控制7．3．1 反馈的两种基本形式7．3．2 神经网络观测器的实现方法7．4 神经网络自适应控制7．4．1 概述7．4．2 自适应控制的基本概念与结构7．4．3 神经网络直接自适应控制7．4．4 神经网络模型参考自适应控制7．4．5 神经网络自校正控制7．5 神经网络非线性预测控制7．5．1 神经网络预测控制的一般结构与算法7．5．2 神经网络预测器的几种方案7．6 神经网络模糊控制7．6．1 模糊控制的基本思想7．6．2 模糊控制的特点与组成7．6．3 反模糊化7．6．4 模糊控制的优点和需要解决的问题7．6．5 神经网络与模糊控制系统7．6．6 神经网络在模糊控制中的应用参考文献附录1用四阶龙格一库塔算法求解Lorenz系统的c语言程序附录2时间序列快速傅立叶变换(FFT)的C语言程序

编辑推荐

《人工神经网络理论•模型•算法与应用》由广西师范大学出版社出版。

作者简介

《人工神经网络理论·模型·算法与应用》由神经网络的原理和神经网络的应用两部分组成。第一部分阐述了当前最具体表性的几种神经网络模型，如前馈多层神经网络、反馈神经网络、自组织神经网络和混沌神经网络的结构、特点和学习算法。第二部分介绍了神经网络在系统辨识、自动控制、神经网络控制混沌等方面的应用。

《人工神经网络理论·模型·算法与应用》可作为自动控制、电路与系统、计算机、信息处理、物理等专业的研究生教材和高年级本科生选修课教材，也可供有关科研人员参考。

---

 人工神经网络理论·模型·算法与应用下载

---