前辅文
 第1章 绪论
  1.1 概述
  1.2 神经网络的研究历史
  1.3 人脑的神经系统
   1.3.1 神经元
   1.3.2 突触
   1.3.3 动作电位
   1.3.4 离子通道
  1.4 神经信息处理的基本原理
  1.5 简单的神经网络模型
   1.5.1 简单线性模型
   1.5.2 线性阈值单元
   1.5.3 盒中脑状态
   1.5.4 热力学模型
  1.6 神经网络的研究内容
  1.7 神经网络的分类
  1.8 神经网络研究的发展方向
  习题
 第2章 感知器
  2.1 感知器的认知观点
  2.2 单层感知器
   2.2.1 单层感知器网络结构
   2.2.2 感知器的学习算法
   2.2.3 感知器算法的收敛性
   2.2.4 异或问题
  2.3 多层感知器
  2.4 学习算法的优化
   2.4.1 最速下降法
   2.4.2 牛顿方法
   2.4.3 高斯-牛顿方法
  2.5 最小均方(LMS)算法
   2.5.1 最小均方算法描述
   2.5.2 最小均方算法的收敛性
   2.5.3 最小均方算法的评价
  习题
 第3章 反向传播网络
  3.1 概述
  3.2 反向传播网络的结构
  3.3 反向传播算法
   3.3.1 反向传播算法的基本原理
   3.3.2 反向传播算法的问题
  3.4 反向传播算法性能分析
  3.5 反向传播算法的改进
   3.5.1 动量反向传播算法
   3.5.2 批量更新
   3.5.3 搜索然后收敛方法
   3.5.4 自适应BP 算法
   3.5.5 共轭梯度法
   3.5.6 拟牛顿法
   3.5.7 Levenberg -Marquardt算法
  3.6 反向传播网络学习程序
  习题
 第4章 自组织网络
  4.1 概述
  4.2 Kohonen 自组织映射
   4.2.1 自组织映射过程
   4.2.2 SOM 算法
   4.2.3 特征映射
   4.2.4 拓扑排序
   4.2.5 密度匹配
  4.3 学习向量量化
  4.4 自适应共振理论神经网络
   4.4.1 ART 模型的结构
   4.4.2 ART 的基本工作原理
   4.4.3 ART 模型的数学描述
  4.5 认知器
   4.5.1 认知器的结构
   4.5.2 新认知器
  4.6 主成分分析
   4.6.1 基本原理
   4.6.2 单个神经元的主成分
   4.6.3 单层网络主成分提取
   4.6.4 侧抑制自适应主成分提取算法
  4.7 独立成分分析
   4.7.1 基本概念
   4.7.2 独立成分分析神经网络
   4.7.3 快速固定点算法
  习题
 第5章 递归网络
  5.1 概述
  5.2 递归网络体系结构
   5.2.1 输入输出递归网络
   5.2.2 状态空间模型
   5.2.3 递归多层感知器
   5.2.4 二阶网络
  5.3 状态空间模型
  5.4 Hopfield 网络
   5.4.1 离散Hopfield 网络
   5.4.2 联想记忆
   5.4.3 离散Hopfield 网络运行程序
   5.4.4 连续Hopfield 网络
  5.5 双向联想记忆模型
  5.6 模拟退火算法
  5.7 玻尔兹曼机
   5.7.1 网络结构
   5.7.2 学习算法
  习题
 第6章 径向基函数网络
  6.1 概述
  6.2 径向基函数数学基础
   6.2.1 插值计算
   6.2.2 模式可分性
   6.2.3 正则化理论
  6.3 径向基函数网络结构
   6.3.1 RBF 网络拓扑结构
   6.3.2 RBF 网络元素
  6.4 RBF 网络算法分析
   6.4.1 RBF 中心向量确定
   6.4.2 RBF 算法
   6.4.3 RBF 网络性能分析
  6.5 RBF 网络算法优化
   6.5.1 基于免疫算法的RBF网络优化
   6.5.2 基于遗传算法的RBF网络优化
  6.6 CMAC 网络
  6.7 泛函数连接网络
  6.8 小波神经网络
  6.9 过程神经网络
   6.9.1 过程神经网络模型
   6.9.2 学习算法
  习题
 第7章 核函数方法
  7.1 概述
  7.2 统计学习问题
   7.2.1 经验风险
   7.2.2 VC 维
  7.3 学习过程的一致性
   7.3.1 学习一致性的经典定义
   7.3.2 学习理论的重要定理
   7.3.3 VC 熵
  7.4 结构风险最小归纳原理
  7.5 支持向量机
   7.5.1 线性可分
   7.5.2 线性不可分
  7.6 核函数
   7.6.1 多项式核函数
   7.6.2 径向基函数
   7.6.3 多层感知器
   7.6.4 动态核函数
  7.7 核主成分分析
  习题
 第8章 神经网络集成
  8.1 概述
  8.2 神经网络集成的基本原理
  8.3 神经网络集成的方法
  8.4 结论生成方法
  8.5 个体生成方法
   8.5.1 Boosting 算法
   8.5.2 Bagging 算法
  8.6 基于Bagging 的聚类
  8.7 神经网络集成系统的规则获取
  8.8 神经专家系统
   8.8.1 知识表示的神经网络方法
   8.8.2 推理机制
  习题
 第9章 模糊神经网络
  9.1 概述
  9.2 算术模糊神经网络
  9.3 模糊逻辑
  9.4 模糊联想记忆
  9.5 神经模糊推理系统
  9.6 神经网络近似逻辑
  习题
 第10章 概率神经网络
  10.1 概述
  10.2 贝叶斯定理
  10.3 概率密度函数
  10.4 模式分类的贝叶斯判定策略
  10.5 密度估计的一致性
  10.6 概率神经网络
  10.7 激活函数
  10.8 贝叶斯阴阳系统理论
  习题
 第11章 脉冲耦合神经网络
  11.1 概述
  11.2 视觉皮层理论
   11.2.1 Hodgkin -Huxley模型
   11.2.2 FitzHugh -Nagumo模型
   11.2.3 Eckhorn 模型
  11.3 脉冲耦合神经网络模型
  11.4 交叉皮层模型
  11.5 贝叶斯连接域神经网络模型
   11.5.1 带噪声的神经元发放方式
   11.5.2 神经元输入的贝叶斯耦合方式
   11.5.3 神经元之间的竞争关系
  11.6 贝叶斯连接域神经网络模型在特征捆绑中的应用
  习题
 第12章 神经场理论
  12.1 概述
  12.2 信息几何
   12.2.1 微分流形
   12.2.2 切向量和切向量空间
   12.2.3 Riemanniann 流形
   12.2.4 仿射联络
   12.2.5 测地线
   12.2.6 Levi -Civita 曲率
   12.2.7 流形上向量的平移变换与平坦流形
  12.3 统计流形上的Riemann度量
   12.3.1 参数分布族的几何
   12.3.2 切空间及其统计表示
   12.3.3 Riemann 度量和Fisher信息
  12.4 神经场理论模型
   12.4.1 神经场表示
   12.4.2 神经场学习理论
  12.5 基于Fisher 分的朴素贝叶斯分类器
   12.5.1 Fisher 分
   12.5.2 基于Fisher 分的朴素贝叶斯分类器构建算法
  12.6 动态神经场模型
   12.6.1 数学框架
   12.6.2 动态行为
   12.6.3 图案形成
   12.6.4 行波
  习题
 第13章 神经元集群
  13.1 概述
  13.2 大脑皮层
  13.3 嗅觉神经系统的K 系列模型
   13.3.1 KO 模型
   13.3.2 KⅠ模型
   13.3.3 KⅡ模型
   13.3.4 KⅢ模型
  13.4 皮层功能柱的细胞结构
  13.5 皮层功能柱理论模型
   13.5.1 神经元模型
   13.5.2 突触模型
   13.5.3 网络结构
   13.5.4 网络的输入
   13.5.5 度量指标和计算方法
   13.5.6 模拟结果
  13.6 集群编码
   13.6.1 运动方向的神经元集群编码
   13.6.2 神经编码的精确性
   13.6.3 Bayesian 方法的最佳译码
  13.7 神经元集群时空编码
  习题
 第14章 神经计算机
  14.1 神经计算机的体系结构
   14.1.1 全硬件实现
   14.1.2 虚拟实现
  14.2 电子神经器件
   14.2.1 数字神经芯片
   14.2.2 电压模式神经器件
   14.2.3 开关电容神经网络
   14.2.4 电流模式神经器件
  14.3 电子神经计算机
   14.3.1 神经网络协处理器
   14.3.2 并行处理机阵列
   14.3.3 脉动神经计算机
  14.4 基于细胞自动机的人工脑
  14.5 光神经计算机
   14.5.1 矩阵处理器
   14.5.2 空间光调制器
   14.5.3 光互连
   14.5.4 光全息存储器
   14.5.5 全光神经计算机
  14.6 光电神经计算机
  14.7 分子神经计算机
   14.7.1 分子计算的宏-微模式
   14.7.2 生物芯片
   14.7.3 分子神经计算机的体系结构
  习题
 参考文献
 版权