|
關于我們
 書單推薦 新書推薦 |
人工神經網絡原理與實踐 
定 價：26 元
9 7 6 8 3 7 9 5 3 6 3 0 8 
本書精選了人工神經網絡的經典內容，主要闡述人工神經網絡的一般原理和基本思想，并在此基礎上突出了人工神經網絡在自動控制和模式識別中的應用。篇章安排上注意了先理論后實踐，全書共11章。第1-2章主要介紹了人工神經網絡與人工智能的關系、人工神經網絡的研究的基本情況與人工神經網絡的基本原理等內容。第3-9章分別介紹了感知器、BP神經網絡、徑向基神經網絡、反饋式人工神經網絡、自組織競爭人工神經網絡、CMAC神經網絡與模糊神經網絡等內容。第10章對神經網絡的優(yōu)化方法進行了討論，第11張簡要介紹了神經網絡在自動控制中的應用。
第一章 緒論 1 1.1 人類的智能與思維 1 1.1.1 智能 1 1.1.2 思維 2 1.2 人工智能 3 1.2.1 人工智能的主流學派 3 1.2.2 機制主義方法與人工智能統(tǒng)一 4 1.2.3 人工智能的研究內容 4 1.3 人腦與“電腦”的信息處理機制 5 1.4 人工神經網絡的研究溯源 5 1.5 人工神經網絡的分類 8 1.6 人工神經網絡的特點 8 1.7 人工神經網絡的功能 9 1.8 人工神經網絡的應用 10 思考題 11第二章 人工神經網絡的基本原理 12 2.1 生物神經網絡 12 2.1.1 生物神經元的結構 12 2.1.2 生物神經元的信息處理機理 13 2.1.3 生物神經網絡的結構 15 2.1.4 生物神經網絡的信息處理 16 2.2 人工神經元的數學建模 17 2.2.1 MP模型 17 2.2.2 常用的神經元數學模型 19 2.3 人工神經網絡的結構建模 22 2.3.1 網絡拓撲類型 22 2.3.2 網絡信息流向類型 23 2.3.3 人工神經網絡結構模型的特點 24 2.4 人工神經網絡的學習 24 思考題 26第三章 感知器 27 3.1 感知器的結構與功能 27 3.1.1 單層感知器的網絡結構 27 3.1.2 單層感知器的功能分析 28 3.2 感知器的學習算法 32 3.3 感知器的局限性與改進方式 34 3.4 多層感知器 35 3.5 感知器神經網絡的MATLAB仿真實例 37 3.5.1 常用的感知器神經網絡函數 37 3.5.2 仿真實例 39 思考題 43
第四章 BP神經網絡 44 4.1 BP網絡的模型 44 4.2 BP網絡的學習算法 45 4.2.1 BP算法推導 45 4.2.2 BP算法的程序實現(xiàn) 47 4.3 BP網絡的功能與數學本質 49 4.3.1 BP神經網絡的功能特點 49 4.3.2 BP神經網絡的數學本質 50 4.4 BP網絡的問題與改進 50 4.4.1 BP神經網絡存在的缺陷與原因分析 50 4.4.2 傳統(tǒng)BP算法的改進與優(yōu)化 51 4.4.3 深度神經網絡 53 4.5 BP網絡的設計 54 4.5.1 輸入/輸出變量的確定與訓練樣本集的準備 54 4.5.2 BP網絡結構設計 56 4.5.3 網絡訓練與測試 57 4.6 BP網絡的MATLAB仿真實例 58 4.6.1 BP神經網絡的MATLAB工具箱 58 4.6.2 BP網絡仿真實例 59 4.7 基于BP算法的一級倒立擺神經網絡控制 64 4.7.1 倒立擺系統(tǒng) 64 4.7.2 仿真模型的建立 65 4.7.3 BP神經網絡控制器的設計 65 4.7.4 神經網絡控制器控制仿真實驗 68 4.7.5 神經網絡實物控制實驗 69 思考題 70第五章 徑向基神經網絡 71 5.1 徑向基網絡的模型 71 5.1.1 正規(guī)化RBF網絡 71 5.1.2 廣義RBF網絡 73 5.1.3 RBF網絡的生理學基礎 73 5.1.4 RBF網絡的數學基礎 74 5.1.5 函數逼近與模式分類問題舉例 76 5.2 徑向基網絡的學習算法 79 5.2.1 數據中心的確定 79 5.2.2 擴展常數的確定 80 5.2.3 輸出權向量的確定 80 5.2.4 梯度下降法同時獲取數據中心、擴展系數與權向量 81 5.3 徑向基網絡的特性分析 82 5.3.1 RBF神經網絡的特點 82 5.3.2 RBF神經網絡與BP神經網絡的比較 82 5.3.3 RBF神經網絡應用的關鍵問題 82 5.4 其他徑向基網絡 83 5.4.1 廣義回歸神經網絡 83 5.4.2 概率神經網絡 85 5.5 徑向基網絡的MATLAB仿真實例 87 5.5.1 RBF網絡的MATLAB工具箱 87 5.5.2 仿真實例 88 思考題 91第六章 反饋式神經網絡 92 6.1 Elman神經網絡 92 6.1.1 Elman神經網絡的結構 92 6.1.2 Elman神經網絡學習算法 93 6.1.3 Elman神經網絡的應用 94 6.2 離散Hopfield神經網絡 94 6.2.1 離散Hopfield神經網絡的模型 94 6.2.2 離散Hopfield神經網絡的運行規(guī)則 95 6.2.3 離散Hopfield神經網絡的運行過程 95 6.3 連續(xù)Hopfield神經網絡 100 6.3.1 連續(xù)Hopfield神經網絡的網絡模型 100 6.3.2 連續(xù)Hopfield神經網絡的穩(wěn)定性分析 102 6.4 Hopfield神經網絡的應用 102 6.4.1 聯(lián)想記憶 103 6.4.2 優(yōu)化計算 104 6.5 反饋神經網絡的MATLAB仿真實例 104 6.5.1 Elman神經網絡的MATLAB實現(xiàn) 104 6.5.2 Hopfield神經網絡的MATLAB實現(xiàn) 106 思考題 108第七章 自組織競爭神經網絡 110 7.1 模式分類的基本概念 110 7.1.1 分類與聚類 110 7.1.2 相似性測量 110 7.2 基本競爭型神經網絡 111 7.2.1 基本競爭型神經網絡結構 111 7.2.2 競爭學習策略 112 7.2.3 特性分析 117 7.3 自組織特征映射神經網絡 117 7.3.1 SOM網的拓撲結構 117 7.3.2 SOM網的工作原理 117 7.3.3 SOM網的學習算法 118 7.3.4 SOM網的功能應用 121 7.4 自適應共振理論(ART) 神經網絡 122 7.4.1 ART模型 122 7.4.2 ART算法原理 123 7.5 學習向量量化（LVQ）神經網絡 124 7.5.1 LVQ神經網絡結構 124 7.5.2 LVQ神經網絡的學習算法 124 7.6 對偶網絡（CPN）神經網絡 125 7.6.1 CPN神經網絡結構 125 7.6.2 CPN神經網絡的學習算法 125 7.7 自組織競爭網絡的MATLAB仿真實例 126 7.7.1 重要的自組織網絡函數 126 7.7.2 自組織網絡應用舉例 128 思考題 132第八章 CMAC網絡 133 8.1 CMAC網絡工作原理 133 8.1.1 CMAC網絡的生理學基礎 133 8.1.2 CMAC網絡的基本思想 133 8.2 CMAC模型結構 134 8.3 CMAC學習算法 135 8.4 CMAC網絡的討論 137 8.4.1 CMAC網絡的特點 137 8.4.2 CMAC與BP神經網絡的比較 137 8.4.3 CMAC與RBF神經網絡的比較 138 思考題 139第九章 模糊神經網絡 140 9.1 模糊控制理論基礎 140 9.1.1 模糊集合及其運算 140 9.1.2 模糊關系與模糊邏輯推理 141 9.1.3 模糊控制 142 9.2 模糊系統(tǒng)和神經網絡的聯(lián)系 145 9.2.1 模糊系統(tǒng)和神經網絡的區(qū)別 145 9.2.2 模糊系統(tǒng)和神經網絡的等價性 146 9.3 模糊系統(tǒng)與神經網絡的融合 147 9.4 ANFIS 148 9.4.1 自適應網絡 149 9.4.2 ANFIS的結構 149 9.4.3 ANFIS的學習算法 151 9.4.4 ANFIS的特點 152 9.5 模糊神經網絡仿真實例 152 9.5.1 MATLAB模糊邏輯工具箱 152 9.5.2 仿真實例 153 9.5.3 倒立擺的模糊神經網絡控制 156 思考題 159第十章 神經網絡的優(yōu)化 160 10.1 神經網絡的優(yōu)化方法 160 10.1.1 網絡結構的優(yōu)化 160 10.1.2 訓練算法的優(yōu)化 160 10.2 基于遺傳算法的神經網絡優(yōu)化 161 10.2.1 遺傳算法 161 10.2.2 遺傳算法優(yōu)化神經網絡的權值訓練 164 10.2.3 遺傳算法優(yōu)化神經網絡的網絡結構 164 10.3 基于粒子群算法的神經網絡優(yōu)化 165 10.3.1 粒子群算法 165 10.3.2 粒子群算法優(yōu)化神經網絡的權值訓練 167 10.4 基于混沌搜索算法的神經網絡優(yōu)化 168 10.4.1 混沌現(xiàn)象 168 10.4.2 混沌優(yōu)化算法原理 170 10.4.3 混沌優(yōu)化算法優(yōu)化神經網絡的權值訓練 170 思考題 170第十一章 深度神經網絡 171 11.1 深度信念網絡（DBNs） 171 11.1.1 基礎知識 171 11.1.2 DBNs的結構 172 11.1.3 DBNs的特點 173 11.1.4 DBNs學習算法 174 11.1.5 DBNs的應用 175 11.2 卷積神經網絡（CNNs） 178 11.2.1 基礎知識 178 11.2.2 CNNs的結構 179 11.2.3 CNNs的特點 180 11.2.4 CNNs學習算法 180 11.2.5 CNNs的應用 181 11.3 深度神經網絡的MATLAB仿真實例 182 11.3.1 DBNs的MATLAB工具箱 183 11.3.2 DBNs的仿真實例 183 11.3.3 CNNs的MATLAB工具箱 186 11.3.4 CNNs的仿真實例 187 思考題 189第十二章 神經控制 190 12.1 控制理論的發(fā)展 190 12.2 智能控制 191 12.2.1 智能控制的產生 191 12.2.2 智能控制的分類 192 12.2.3 智能控制系統(tǒng)的組成 193 12.3 基于神經網絡的辨識器 194 12.3.1 系統(tǒng)辨識的基本原理 194 12.3.2 神經網絡系統(tǒng)辨識典型結構 196 12.4 基于神經網絡的控制器 198 12.4.1 神經網絡控制的基本思想 198 12.4.2 神經網絡控制系統(tǒng)典型結構 198 思考題 203參考文獻 204
你還可能感興趣
我要評論
|
