内容简介
本书较系统全而地讨论了人工神经网络与模拟进化计算的理论和工程应用。在学习理论与网络结构选择、动态神经网络、自组织网络、贝叶斯方法的应用以及模拟进化计算中的一些理论问题等方而的论述更为系统深入。 编写中结合了编者多年为研究生讲授这方面课程的教学经验和一些科研成果，同时参考了国内外有关书籍和教材的大量文献资料。内容深入浅出，并尽量反映这一领域的进展和发展方向；书中附有习题和丰富的参考文献，便于自学。 本书适合作为研究生课程的教材，或作为希望深入学刁神经网络和进化计算的科技工作者的自学参考书。
目录
第1章 绪论 1. 1 神经网络的发展与应用 1. 2 人工神经元模型 1. 3 用有向图表示神经网络 1. 4 网络结构及工作方式 1. 5 NN的学习 1. 5. 1 学习方式 1. 5. 2 学习算法 1. 5. 3 学习与自适应 习题 参考文献 第2章 前馈网络 2. 1 线性阂值单元 2. 1. 1 用线性阈值单元实现布尔函数 2. 1. 2 线性可分性 2. 1. 3 n维欧氏空间中m个点上可实现的线性可分函数的个数 2. 2 多层前馈网络的计算能力及函数逼近 2. 3 感知器学习算法 2. 4 反向传播学习算法 2. 5 改进反向传播算法收敛速度的措施 2. 5. 1 加入动量项 2. 5. 2 高阶导数的利用 2. 5. 3 共辆梯度法 2. 5. 4 递推二乘法 2. 5. 5 神经元空间搜索法 2. 5. 6 一些其他措施 2. 6 多层前馈网络作用的分析 2. 6. 1 线性网络 2. 6. 2 非线性情况 2. 7 应用举例——手写体数字识别 习题 参考文献 第3章 径向基函数网络 3. 1 4可分性 3. 2 函数逼近与内插 3. 3 正规化理论 3. 4 RBF网络的学习 3. 5 RBF网络的一些变形 3. 6 CMAC网络 3. 6. 1 模型结构 3. 6. 2 工作原理分析 3. 6. 3 学习算法 3. 7 概率神经网络 3. 8 小波网络 3. 9 泛函连接网络 参考文献 第4章 学习理论与网络结构选择 4. 1 学习的统计性能 4. 1. 1 经验风险化原则 4. 1. 2 VC维数 4. 1. 3 一致收敛的速度 4. 1. 4 结构风险化 4. 2 学习的复杂性问题 4. 2. 1 PAC学习的模型 4. 2. 2 PAC学习的例子 4. 2. 3 PAC学习模型的一些扩展 4. 2. 4 多层前馈网络的样本数问题 4. 2. 5 学习的计算复杂性 4. 3 学习的动态特性 4. 3. 1 通用学习方程 4. 3. 2 LMS规则 4. 3. 3 Hebb规则 4. 3. 4 Oja学习规则 4. 4 推广问题 4. 4. 1 定性分祈 4. 4. 2 平均推广能力 4. 4. 3 从数学上研究一般的推广问题 4. 4. 4 样本量问题 4. 1. 5 推广误差的实验估计 4. 5 预测学习 4. 5. 1 模型 4. 5. 2 根本困难 4. 5. 3 维数灾难问题 4. 5. 4 方差与偏置折衷 4. 6 网络模型选择 4. 6. 1 定性分析 4. 6. 2 正规化方法 4. 6. 3 修剪与网络构造法 4. 7 将号学习与神经网络结合 4. 8 支承向量机 4. 9 新一代神经元模型及其计算能力的研究 4. 9. 1 布尔函数的计算 4. 9. 2 连续输入的情况 4. 9. 3 脉冲锅合神经元 习题 参考文献 第5章 反馈网络与联想存储器 5. 1 联想存储器 5. 2 反馈网络 5. 2. 1 离散Hopfield网络 5. 2. 2 连续Hopfield网络 5. 3 用反馈网络作联想存储器 5. 4 相关学习算法 5. 5 容量分析 5. 6 伪逆学习算法 5. 7 基于线性可分性的学习算法 5. 8 Li与Miche1的设计方法 5. 9 线性规划方法 5. 10 多余吸引子问题 5. 11 双向联想存储器 5. 12 玻耳兹曼饥 5. l2. 1 随机神经元 5. 12. 2 模拟退火算法 5. 12. 3 玻耳兹曼机 5. 12. 4 玻耳兹曼机的学习 5. 12. 5 平均场学习规则 参考文献 第6章 神经网络用于优化计算 6. 1 概述 6. 2 连续Hopfield网络用于求解优化问题 6. 3 CHNN用于优化计算时存在的问题 6. 4 神经网络用于求解货流问题 6. 5 用于解数学规划的电路举例 6. 6 在通信网络中的应用举例 习题 参考文献 第7章 自组织系统 I 一一Hebb学习 7. 1 引言 7. 2 自组织特征检测——一个简单的实验 7. 3 主成分分析 7. 4 单个神经元抽取主分量 7. 5 单层网络朋于抽取一组主分量 7. 6 有侧向连接的自适应PCA 7. 7 均方误差重建学习 7. 8 次分量的提取和应用 7. 8. 1 拟合问题 7. 8. 2 用单个神经元
