内容简介
本书以前馈网络、Hopfield神经网络系统与玻尔兹曼机模型为基础，系统介绍神经网络系统的理论及其应用.本书对以上模型进行了较系统与严格的讨论，对它们的模型、学习算法、性能指标与命题给以定量的数学描述、论证与计算.关于神经网络系统的应用，除了传统的优化与识别问题外，本书重点介绍了统计分析与股市分析中的神经网络计算问题. 本书可供从事数学、统计、电子、智能计算机与计算机应用的本科生、研究生、教师及有关的工程技术人员学习参考.
目录
总序 引言 有关记号 第一章 概论 1. 1 神经网络系统理论的研究目标与发展简史 1. 2 神经细胞与网络的构造与功能 1. 3 有关神经网络系统模型与应用范围概述 1. 4 有关的数学工具 第二章 感知器的基本模型与性质 2. 1 感知器的构造与学习算法 2. 2 线性可分性理论 2. 3 感知器学习算法的复杂度分析 2. 4 感知器学习算法的容量估计 第三章 前馈网络模型 3. 1 感知器模型的推广问题 3. 2 多层感知器模型 3. 3 高阶感知器理论 3. 4 具有非线性权函数的感知器 3. 5 模糊感知器及其学习算法 第四章 前馈网络理论的应用 4. 1 感知器在模式识别与经济管理中的应用 4. 2 感知器在规划问题中的应用 4. 3 统计分析问题中的神经网络计算 4. 4 股市行情数据分析中的神经网络计算 第五章 有反馈神经网络系统理论与应用 5. 1 离散Hopfield神经网络系统模型及其稳定性问题 5. 2 HNNS的学习算法问题 5. 3 HNNS的学习算法的容量问题 5. 4 TSP（售货员路线）问题 第六章 玻尔兹曼（Boltzmann）机理论分析 6. 1 玻尔兹曼机的模型构造 6. 2 玻尔兹曼机的状态的运动方程及其稳定性问题 6. 3 玻尔兹曼机的学习算法 结束语 参考文献
