人工神经网络导论

前言
1 引论
1. 1 智能与思维科学
1. 1. 1 智能
1. 1. 2 思维科学
1. 1. 3 思维的类型
1. 2 人工智能
1. 2. 1 人工智能的概念
1. 2. 2 人工智能的发展简史
1. 2. 3 人工智能的研究目标
1. 2. 4 人工智能研究的基本内容
1. 2. 5 人工智能的研究途径
1. 2. 6 人工智能的研究领域
1. 3 人工神经网络概述
1. 3. 1 人工神经网络研究简史
1. 3. 2 人工神经网络研究基本内容
1. 3. 3 人工神经网络分类
2 基础知识
2. 1 人脑神经系统的构成
2. 1. 1 小脑
2. 1. 2 间脑
2. 1. 3 脑干
2. 1. 4 大脑
2. 2 人脑神经细胞工作概况
2. 2. 1 神经细胞的基本结构
2. 2. 2 信号在轴突内的传递
2. 3 人工神经网络的构思
*2. 4 系统的稳定性
2. 4. 1 动力系统
2. 4. 2 自治系统与非自治系统
2. 4. 3 奇点与常点. 稳定性
2. 4. 4 奇点的稳定与渐近稳定
2. 4. 5 极限环的稳定性
2. 4. 6 一般运动稳定性概念 Lyapunov稳定性
2. 4. 7 稳定性的定性理论
2. 4. 8 系统轨道稳定性
2. 4. 9 结构稳定性
2. 4. 10 稳定性在神经网络设计中的重要性
**2. 5 混沌与神经网络
2. 5. 1 动力学系统
2. 5. 2 稳态行为与极限集
2. 5. 3 庞加莱映射
2. 5. 4 极限集的稳定性
2. 5. 5 维数
3 神经元模型
3. 1 神经元的通用功能模型
3. 1. 1 输入区
3. 1. 2 处理区
3. 1. 3 输出区
3. 2 简单线性神经元
3. 3 位势神经元
3. 4 逻辑神经元
3. 4. 1 功能函数用逻辑函数表示
3. 4. 2 功能函数用表格形式表示
3. 4. 3 逻辑函数拓广到连续变量
3. 5 势态神经元
3. 6 其他神经元
3. 6. 1 G神经元模型
3. 6. 2 RM元
4 联接方式
4. 1 分层神经元网的一般结构
4. 2 联接矩阵图
4. 3 神经元网络的多层组织
5 训练和学习
5. 1 乘积学习规则
5. 1. 1 给定一个训练样本对时权矩阵的设计
5. 1. 2 给定多个训练样本对时权矩阵的设计
5. 2 关联学习
5. 2. 1 学习规则与公式
5. 2. 2 与乘积学习规则的区别
5. 2. 3 局限性与改进
5. 3 线性元网络的差值规则训练法
5. 3. 1 乘积规则的缺陷
5. 3. 2 基本差值规则 用于单层线性网络
5. 3. 3 基本差值训练算法的收敛性分析
5. 4 准线性元网络的差值规则
5. 4. 1 准线性神经元
5. 4. 2 多层准线性元网络 多层感知器, MLP 的反向传递算法（BP）
5. 5 随机训练
5. 5. 1 差值训练算法缺点
5. 5. 2 逃离局部最小点的策略
5. 5. 3 神经网络的随机训练法
5. 5. 4 随机训练算法的具体实施方案
6 前馈网络
6. 1 感知器
6. 1. 1 感知器模型
6. 1. 2 用来进行模式识别
6. 1. 3 用来实现逻辑函数
6. 1. 4 异或 XOR 问题
6. 2 多层感知器 MLP
6. 2. 1 多层感知器的功能
6. 2. 2 多层感知器的学习算法 反向传递算法
6. 2. 3 多层感知器存在的问题与局限性
6. 3 径向基函数 RBF 网络
6. 3. 1 RBF的基本功能
6. 3. 2 RBF网的学习算法
6. 3. 3 RBF网的扩展
6. 3. 4 RBF网的学习复杂度
6. 4 前馈网络与其他模式分类器
6. 4. 1 高斯分类器
6. 4. 2 混合高斯法与窗函数法
6. 4. 3 区分函数分类器
6. 4. 4 距离分类器
7 动态网络
7. 1 延时网络 TDNN
7. 2 双向联想存储
7. 2. 1 一些预备知识
7. 2. 2 双向联想存储
BAM
7. 3 Hopfield
7. 4 递归网络
7. 4. 1 神经元方程
7. 4. 2 学习算法
7. 4. 3 例子
7. 5 Bolzmann机
7. 5. 1 问题的提出
7. 5. 2 自联想Bolzmann机
7. 5. 3 异联想Bolzmann机
7. 5. 4 例子
8 竞争网络
8. 1 汉明网
8. 1. 1 汉明网的拓扑结构
8. 1. 2 权矩阵的计算 存储
8. 1. 3 神经元功能函数
8. 1. 4 网络的运行
8. 1. 5 Hamming网的优越性
8. 1. 6 实现独活型竞争 选极大 的其他网网络结构
8. 2 自组织特征映射
8. 2. 1 自组织特征映射的思想来源
8. 2. 2 自组织特征映射的网络模型
8. 2. 3 仿真实例
8. 2. 4 几点注意事项
8. 2. 5 关于SOFM的几点评论
8. 3 适应谐振网--ART1
8. 3. 1 Grossberg及其自适应谐振网理论
8. 3. 2 ART1拓扑结构
8. 3. 3 ART1的运行 无师学习算法
8. 3. 4 运行实例
8. 3. 5 ART1的优缺点
8. 4 自适应谐振网-ART2
8. 4. 1 ART2的拓扑结构
8. 4. 2 F1层短期记忆方程
8. 4. 3 F2层短期记忆方程
8. 4. 4 重置方程
8. 4. 5 学习议程
8. 4. 6 权初值的选取
8. 4. 7 对参数c, d的约束
8. 4. 8 ART2的学习算法
8. 4. 9 ART2的特点
8. 4. 10 仿真实例
8. 4. 11 ART2的另外两种结构
8. 4. 12 ART2的缺点
9 模糊自适应网
9. 1 模糊自适应谐振网 FuzzyART
9. 1. 1 基本思想
9. 1. 2 符号与术语
9. 1. 3 模糊自适应谐振算法
9. 1. 4 算法说明
9. 1. 5 算法的几何解释
9. 1. 6 例子
9. 1. 7 模糊自适应谐振网的缺点
9. 2 模糊极小一极大网
9. 2. 1 FMM网的输入空间
9. 2. 2 超盒. 模糊集与隶属函数
9. 2. 3 拓扑结构与神经元
9. 2. 4 网络的运行
9. 2. 5 网络的有师训练算法
9. 2. 6 例子
9. 2. 7 总结
9. 3 一般模糊极小一极大 GFMM 网
9. 3. 1 拓扑结构
9. 3. 2 超盒模糊集的隶属函数
9. 3. 3 学习算法
9. 3. 4 网络的运行
9. 3. 5 模拟例子
**9. 4 模糊格神经网络 FLNN
9. 4. 1 模糊格理论基础
9. 4. 2 模糊格神经网络
9. 4. 3 VL中包含测度的定义
9. 4. 4 实验结果
*9. 5 递归自组织模糊推理网络 RSONFIN
9. 5. 1 基本思想
9. 5. 2 RSONFIN的模型
9. 5. 3 RSONFIN的结构学习
9. 5. 4 参数学习
9. 5. 5例子
**10 统计学习理论
10. 1 学习理论的背景
10. 1. 1 预报函数估计模型
10. 1. 2 风险极小化问题准则
10. 1. 3 三种主要的学习问题
10. 1. 4 经验函数极小化推导准则
10. 1. 5 ERM与经典方法
10. 1. 6 学习理论的四部分
10. 2 学习过程一致性理论
10. 2. 1 学习理论的基本定理
10. 2. 2 一致收敛的充要条件
10. 2. 3 学习理论中的三个里程碑
10. 3 学习过程收敛率的界限
10. 3. 1 增长函数的结构
10. 3. 2 VC维数的等价定义
10. 3. 3 两个重要例子
10. 3. 4 不依赖于分布的学习过程收敛率
10. 3. 5
依赖分布 构造严格上界
10. 4 控制学习机泛化性能的理论
10. 5 构造性学习算法的理论
10. 5. 1 划分超平面法及其推广
10. 5. 2 示性函数的S型逼近与神经网络
10. 5. 3 最优划分超平面
10. 5. 4 支承向量机
10. 5. 5 为什么神经网络与支承向量机能够泛化
10. 6 结论
参考文献