内容简介
《人工神经网络导论》依照简明易懂、便于软件实现、鼓励探索的原则介绍人工神经网络。内容包括：智能系统描述模型，人工神经网络方法的特点；基本人工神经元模型，人工神经网络的基本拓扑特性，存储性能及学习；感知器与线性不可分问题，Ifcc学习律，Efmub规则；CQ算法及其原理分析，算法改进讨论；对传网的结构及其运行，对传网的初始化与训练算法；统计网络的训练与收敛性分析；Ipgjqfme 网络及稳定性，Boltzmann 机；双联存储网络的结构及训练；BSU 模型的结构分析与实现。 《人工神经网络导论》适合于研究生和本科学生使用，也可供有关学生、科技人员参考。
目录
第一章 引言
1.1 人工神经网络的提出
1.1.1 智能与人工智能
1.1.2 物理符号系统
1.1.3 联接主义观点
1.1.4 两种模型的比较
1.2 人工神经网络的特点
1.2.1 人工神经网络的概念
1.2.2 学习能力
1.2.3 基本特征的自动提取
1.2.4 信息的分布存放
1.2.5 适用性问题
1.3 历史回顾
1.3.1 萌芽期
1.3.2 第一高潮期
1.3.3 反思期
1.3.4 第二高潮期
1.3.5 再认识与应用研究期
练习题
第二章 人工神经网络基础
2.1 生物神经网络
2.2 人工神经元
2.2.1 人工神经元的基本构成
2.2.2 激活函数(ActivationFunction)
2.2.3 M-P模型
2.3 A.工神经网络的拓扑特性
2.3.1 联接模式
2.3.2 网络的分层结构
2.4 存储与映射
2.5 人工神经网络的训练。
2.5.1 无导师学习
2.5.2 有导师学习
练习题
第三章 感知器
3.1 感知器与人工神经网络的早期发展
3.2 感知器的学习算法
3.2.1 离散单输出感知器训练算法
3.2.2 离散多输出感知器训练算法
3.2.3 连续多输出感知器训练算法
3.3 线性不可分问题
3.3.1 异或(Exclusive-0R)问题
3.3.2 线性不可分问题的克服
练习题
第四章 BP网络
4.1 概述
4.2 基本BP算法
4.2.1 网络的构成
4.2.2 训练过程概述
4.2.3 误差传播分析
4.2.4 基本的BP算法
4.3 算法的改进
4.4 算法的实现
4.5 算法的理论基础
4.6 几个问题的讨论
练习题
第五章 对传网
5.1 网络结构
5.2 网络的正常运行
5.2.1 Kohonen层
5.2.2 Grossberg层
5.3 Kohonen层的训练
5.3.1 输入向量的预处理
5.3.2 训练
5.4 Kohonen层联接权的初始化方法
5.5 Grossberg层的训练
5.6 补充说明
练习题
第六章 非确定方法
6.1 基本的非确定训练算法
6.2 模拟退火算法
6.3 Cauchy训练
6.4 相关的几个问题
练习题一
第七章 循环网络
7.1 循环网络的组织
7.2 稳定性分析
7.3 统计Hopfield网与Boltzmann机
7.4 双联存储器的结构
7.5 异相联存储
7.6 其他的双联存储器
7.7 Hopfield网用于解决TSP问题
练习题
第八章 自适应共振理论
8.1 ART的结构
8.2 ART的初始化
8.2.1 T的初始化
8.2.2 B的初始化
8.2.3 p的初始化
8.3 ART的实现
练习题
参考文献
摘要与插图
为了研究智能，在现代神经科学的研究成果的基础上，人们提出了另一种观点，认为：智能的本质是联接机制。神经网络是一个由大量简单的处理单元组成的高度复杂的大规模非线性自适应系统。
虽然按此说法来刻划神经网络，未能将其所有的特性描述出来，但它却从以下四个方面出发，力图限度地体现人脑的一些基本特征，同时使得所得人工神经网络具有良好的可实现性。人工神经网络就是力求从这四个方面去模拟人脑的智能行为。
1。物理结构
现代神经科学的研究结果认为，大脑皮层是一个广泛联接的巨型复杂系统，它包含有大约一千亿个神经元，这些神经元通过一千万亿个联接构成一个大规模的神经网络系统。人工神经网络也将是由与生物神经元类似的人工神经元通过广泛的联接构成。人工神经元将模拟生物神经元的功能。它们不仅具有一定的局部处理能力，同时还可以接受来自系统中其他神经元的信号，并可以将自己的“状态”按照一定的形式和方式传送给其他的神经元。
2。计算模拟
人脑中的神经元，既有局部的计算和存储功能，又通过联接构成一个统一的系统。人脑的计算就是建立在这个系统的大规模并行模拟处理的基础上的。各个神经元可以接受系统中其他神经元通过联接传送过来的信号，通过局部的处理，产生一个结果，再通过联接将此结果发送出去。神经元接受和传送的信号被认为是模拟信号。所有这些，对大脑中的各个神经元来说，都是同时进行的。因此，该系统是一个大规模并行模拟处理系统。由于人工神经网络中存在大量的有局部处理能力的人工神经元，所以，该系统也将实现信息的大规模并行处理，以提高其性能。3。存储与操作研究认为，大脑对信息的记忆是通过改变突触（Synapse）的联接强度来实现的。神经元之间的联接强度确定了它们之间传递的信号的强弱，而联接强度则由相应的突触决定。也就是说，除神经元的状态所表现出的信息外，其他信息被以神经元之间联接强度的形式分布存放。存储区与操作区合二为一。这里的处理是按大规模、连续、模拟方式进行的。由于其信息是由神经元的状态和神经元之间实现联接的突触的强弱所表达的，所以说信息的分布存放是它的另一个特点。这是人工神经网络模拟实现生物神经系统的第三大特点。
信息的大规模分布存放给信息的充分并行处理提供了良好的基础。同时，这些特性又使系统具有了较强的容错能力和联想能力，也给概括、类比、推广提供了强有力的支持。
