智能信息处理+2

内容简介

本书从多学科综合的角度，以顶层向下（认知科学）和底层向上（神经生理学）相结合的形式说明了智能信息处理的基础；以人工神经网络为，说明了智能信息处理的连接机制、工作原理，介绍了几种典型神经网络的机理、计算方法及实现技术，以化计算、混沌与分数维等相关内容。 本书可作为模式识别与智能控制、机械电子工程等专业的研究生与高年级本科生使用的教材，也可供相关专业的工程技术人员参考。

目录

第1章 绪论1．1 智能1．2 人工智能1．2．1 人工智能的定义1．2．2 人工智能的三个关键部分1．2．3 人工智能的发展简史1．3 计算智能1．3．1 计算智能的产展1．3．2 计算智能的重要特征1．4 智能信息处理的主要技术1．4．1 模糊计算技术1．4．2 神经计算技术1．4．3化计算技术1．5 智能技术的综合集成1．5．1 模糊系统与神经网络的结合1．5．2 神经网络和遗传算法的结合1．5．3 模糊技术、神经网络和遗传算法的综合集成1．5．4 神经、模糊和混沌的融合1．5．5 混沌与分形——孪生兄弟1．5．6 计算智能展望第2章 智能科学的认知心理学基础2．1 认知的概念2．2 人的思维2．3 右脑能2．4 直觉的特征2．5 人脑短时记忆的限制2．6 本章小结第3章 生物神经元与神经系统3．1 生物神经元3．1．1 神经元的组成3．1．2 神经元的分类3．1．3 静息膜电位3．2 动作电位和Hodgkin Huxley方程3．2．1 动作电位3．2．2 Hodgkin Huxley方程3．3 神经冲动的传导3．3．1 神经冲动的生成方式3．3．2 神经冲动传导的特点3．4 突触和突触传递3．4．1 突触的结构3．4．2 突触传递的机理3．5 人的神经系统组成3．5．1 中枢神经系统3．5．2 周围神经系统3．5．3 中枢神经系统的信息处理机能3．6 视觉神经系统3．6．1 眼球的结构3．6．2 眼的感能3．6．3 视觉信息加工3．6．4 视觉神经系统的信息处理3．7 本章小结第4章 人工神经网络概述4．1 人工神经网络概念的引发4．1．1 人脑神经系统的主要特点4．1．2 人工智能系统的几种不同途径4．1．3 人脑的建模研究4．1．4 人工神经网络的构思4．2 人工神经元模型和人工神经网络模型4．2．1 人工神经网络的定义4．2．2 人工神经元模型4．2．3 人工神经网络模型4．3 有关人工神经网络的能力与特点的讨论4．3．1 人工神经网络的稳定特征和收敛特征4．3．2 人工神经网络的信息存储与计算能力4．3．3 人工神经网络技术的基本特征4．4 人工神经网络的发展史4．5 本章小结第5章 MP模型和感知器5．1 MP模型5．1．1 MP模型的概念5．1．2 模式相似的数学表示5．1．3 人工神经网络中的一个输出单元5．1．4 单层并行分布网络5．1．5 多层线网络5．2 感知器5．2．1 感知器的概念5．2．2 广义线判别函数及其规格化5．2．3 感知器网络的训练方法5．2．4 感知器的能力与局限5．2．5 关于感知器5．3 本章小结第6章 模式联想机6．1 模式联想的概念6．2 模式联想学的理论基础6．2．1 Hebb规则6．2．2 学6．3 模式联想机模型6．3．1 模式联想机模型的Hebb规则6．3．2 模式联想机中的规则6．4 实例练r/>6．4．1 练Hebb规则学似和泛化6．4．2 练正交、线独立和学r/>6．5 模式联想机的讨论6．5．1 激活函数6．5．2 学6．5．3 环境与训练期6．5．4 能量度6．6 本章小结第7章 BP神经网络模型7．1 BP模型的概念及其产生背景7．1．1 BP模型的概念7．1．2 BP模型的产生背景7．1．3 推广的规则7．1．4 BP算法7．2 BP算法计算实例——求解XOR问题7．3 BP算法的讨论7．3．1 BP神经网络拓扑结构的确定7．3．2 BP神经网络模型的样本数据筛选7．3．3 BP神经网络的训练7．3．4 应用时需要考虑的问题7．3．5 有一步研究的问题7．4 BP算法的应用举例7．4．1 在系统辨识中的应用7．4．2 几何图形的识别7．5 本章小结第8章 径向基函数神经网络8．1 径向基函数神经网络结构8．2 径向基函数神经网络的基本训练算法8．3 径向基函数神经网络与多层感知器的比较8．4 径向基函数神经网络方案8．4．1 输入模式的预处理8．4．2 基函数的选择8．4．3 RBF层的聚类算法的8．5 本章小结第9章 反馈型神经网络9．1 离散型霍普菲尔德神经网络9．1．1 离散型霍普菲尔德神经网络的工作方式9．1．2 网络的稳定9．2 连续型霍普菲尔德神经网络9．2．1 输入和输出的关系9．2．2 能量函数和稳定9．3 离散型霍普菲尔德神经网络用于联想记忆9．3．1 网络的学r/>9．3．2 联想记忆的算法步骤9．3．3 用Hebb规则设计权重的网络质9．4 霍普菲尔德神经网络用于优化计算9．5 本章小结第10章化计算及应用10．1 概述10．1．1化计算的产生背景10．1．2化计算的发展过程10．1．3化计算的主要特点10．2化计算10．2．1化计算的生物学基础10．2．2化计算的基本结构10．2．3化计算的分类10．3 遗传算法的基本理论10．3．1 遗传算法的基本思想10．3．2 遗传算法的基本结构10．3．3 基本遗传算子10．3．4 遗传算法的数学基础10．3．5 遗传规划10．4 本章小结第11章 混沌及分数维11．1 混沌与混沌神经网络11．1．1 混沌的概念及发展11．1．2 对混沌现象的分析11．1．3 混沌学和人工神经网络11．2 分形和分数维11．2．1 分形概念的提出11．2．2 分形的特征11．2．3 几种典型分形的分数维11．2．4 人脑的混沌与脑电图的分数维11．3 本章小结第12章 神经网络的实现与应用12．1 概述12．1．1 神经网络计算机的主要特点12．1．2 神经网络实现方法12．2 神经网络硬件实现技术简介12．2．1 神经网络的VLSI实现12．2．2 神经网络的光学实现12．2．3 神经网络的生物实现12．3 神经网络硬件发展的现状12．3．1 数字VLSI神经芯片12．3．2 模拟VLSI神经芯片12．3．3 数模混合神经芯片12．3．4 神经网络加速卡12．3．5 神经网络计算机12．3．6 关于神经网络实现技术的讨论12．4 人工神经网络的应用12．4．1 神经网络适用的应用领域12．4．2 ANN的军事应用12．5 人工神经网络的发展展望12．5．1 人工神经网络发展中的问题12．5．2 人工神经网络的发展前景12．6 本章小结参考文献附录附录A 智能信息处理实验附录B 智能信息处理实验源代码（部分）