過程神經(jīng)元網(wǎng)絡(luò)

前言

記得在9年前的秋天，我作為人工智能專家應邀參加一個在安徽省合肥市召開的全國農(nóng)業(yè)專家系統(tǒng)推廣應用會議。與會者主要是來自全國各地的農(nóng)業(yè)專家和做農(nóng)業(yè)新技術(shù)推廣工作的技術(shù)人員。環(huán)顧會場，我熟悉的專家很少。會議的論題主要是討論和交流如何應用農(nóng)業(yè)專家系統(tǒng)來指導種植各種作物，從蔬菜、糧食到煙草、甜菜，好像什么作物的論題都有，內(nèi)容十分豐富。但是，大部分參加者似乎對專家系統(tǒng)的實現(xiàn)原理和技術(shù)都并不太感興趣，而主要關(guān)心應該如何合理地給作物施肥和如何控制溫室的光照、溫度、濕度和二氧化碳的濃度等使作物高質(zhì)高產(chǎn)問題。盡管這些也確實都是建立農(nóng)業(yè)專家系統(tǒng)所必需的專家知識，可是說實在的，關(guān)于這些內(nèi)容我?guī)缀跻桓[不通。由于專業(yè)知識的隔閡，我對它們也不太感興趣，所以一開始總覺得會議與己關(guān)系不大。但是，作為特邀專家，我也不好意思隨便逃會，只好不太耐煩地聽著各個大會發(fā)言，不時地思想開開小差，總之，還是在琢磨所謂自己關(guān)心的問題。直到會議的后期，會上不斷重復著的報告內(nèi)容幾乎突然給了我一個很大的啟發(fā)，因為我發(fā)現(xiàn)會議參加者們熱烈議論著的內(nèi)容從數(shù)學家的眼光來看都可被認為是在討論同一個問題，即一個“泛函問題”。因為，不管種植什么作物，為了達到某種種植指標，如產(chǎn)量或某種質(zhì)量指標，種植者所能實施的各種控制手段，如前述的合理施肥、控制光照、溫度、濕度乃至二氧化碳的濃度等都可被認為是從下種開始到收獲為止的各種時變控制過程或時變函數(shù)。不妨把它們作為整個種植過程的輸入（自變量），作物的產(chǎn)量或質(zhì)量指標就可被認為是依賴于這些時變過程的泛函數(shù)。于是，追求高產(chǎn)量和高質(zhì)量就變成了一個泛函的求極值問題，或稱泛函尋優(yōu)問題。當時，我的研究興趣正好集中在“計算智能”方面，包括模糊計算、進化計算和神經(jīng)計算，所以我立即敏感地想到了神經(jīng)元網(wǎng)絡(luò)。我自問，為什么不去研究研究輸入和輸出都可以是時變過程或時變函數(shù)的神經(jīng)元網(wǎng)絡(luò)呢？推而廣之，為什么不去研究研究輸入和輸出都可以是多元函數(shù)乃至是泛函空問中“點”的更加廣義的神經(jīng)元網(wǎng)絡(luò)呢？一般神經(jīng)元網(wǎng)絡(luò)只能用來描述輸入與輸出值之間的瞬時映射關(guān)系，而這種新的神經(jīng)元網(wǎng)絡(luò)則可描述輸出對于輸入在時間軸上的累積效應或聚合效果。這正是許多應用問題，包括解決上述農(nóng)業(yè)高技術(shù)應用和精細描述生物神經(jīng)元的行為等問題所需要的。一般神經(jīng)元網(wǎng)絡(luò)要解決的是函數(shù)逼近和函數(shù)尋優(yōu)的問題，而現(xiàn)在我們需要解決的則是泛函逼近和泛函尋優(yōu)等問題。從數(shù)學觀點上看，問題的復雜性顯然增加了很多。不過，我這個學數(shù)學出身的人的直覺告訴我，在一定條件下解決這些問題的可能性是存在的。

內(nèi)容概要

　　《過程神經(jīng)元網(wǎng)絡(luò)》是在作者近10年來對過程神經(jīng)元網(wǎng)絡(luò)研究基礎(chǔ)上形成的一部專著。過程神經(jīng)元網(wǎng)絡(luò)是作者提出的一種新型神經(jīng)元網(wǎng)絡(luò)，其輸入和輸出可以是時變過程或時變函數(shù)、多元函數(shù)乃至是抽象距離空間中的“點”，對輸入的加工包括多元聚合和累積，特別是空間聚合和時間累積。全書共分9章，從引進過程神經(jīng)元觀念開始，逐步深入地介紹各種過程神經(jīng)元網(wǎng)絡(luò)，包括網(wǎng)絡(luò)結(jié)構(gòu)、學習算法、相關(guān)理論、網(wǎng)絡(luò)設(shè)計和構(gòu)建方法以及應用實例等。相關(guān)理論包括泛函逼近定理、網(wǎng)絡(luò)性質(zhì)和計算能力等；應用領(lǐng)域包括過程建模、系統(tǒng)辨識、過程控制、聚類分類、過程優(yōu)化、預測預報、評估決策以及宏觀控制等?！　　哆^程神經(jīng)元網(wǎng)絡(luò)》可作為高等學校計算機科學與技術(shù)、電子信息、自動控制等相關(guān)專業(yè)高年級學生和研究生課程的參考用書，也可作為從事智能信息處理等相關(guān)領(lǐng)域研究人員的參考書。

書籍目錄

第1章　緒論1.1　人工智能的發(fā)展1.2　人工智能系統(tǒng)的特征1.3　計算智能1.3.1　模糊計算1.3.2　神經(jīng)計算1.3.3　進化計算1.3.4　三個“分支”的結(jié)合1.4　過程神經(jīng)元網(wǎng)絡(luò)第2章　人工神經(jīng)元網(wǎng)絡(luò)2.1　生物神經(jīng)元2.2　神經(jīng)元的數(shù)學模型2.3　前饋/反饋神經(jīng)元網(wǎng)絡(luò)2.3.1　前饋/反饋神經(jīng)元網(wǎng)絡(luò)模型2.3.2　前饋神經(jīng)元網(wǎng)絡(luò)的函數(shù)逼近能力2.3.3　前饋神經(jīng)元網(wǎng)絡(luò)的計算能力2.3.4　前饋神經(jīng)元網(wǎng)絡(luò)的學習算法2.3.5　前饋神經(jīng)元網(wǎng)絡(luò)的泛化問題2.3.6　前饋神經(jīng)元網(wǎng)絡(luò)的應用’2.4　模糊神經(jīng)元網(wǎng)絡(luò)2.4.1　模糊神經(jīng)元2.4.2　模糊神經(jīng)元網(wǎng)絡(luò)2.5　非線性聚合人工神經(jīng)元網(wǎng)絡(luò)2.5.1　分式聚合人工神經(jīng)元網(wǎng)絡(luò)2.5.2　極大（或極?。┚酆先斯ど窠?jīng)元網(wǎng)絡(luò)2.5.3　其他非線性聚合人工神經(jīng)元網(wǎng)絡(luò)2.6　時空聚合與過程神經(jīng)元網(wǎng)絡(luò)2.7　人工神經(jīng)元網(wǎng)絡(luò)的歸類第3章　過程神經(jīng)元3.1　生物神經(jīng)元的啟示3.2　過程神經(jīng)元的定義3.3　過程神經(jīng)元與泛函3.4　模糊過程神經(jīng)元3.4.1　過程神經(jīng)元的模糊化3.4.2 由模糊加權(quán)推理規(guī)則構(gòu)造的模糊過程神經(jīng)元3.5　過程神經(jīng)元與復合函數(shù)第4章　前饋過程神經(jīng)元網(wǎng)絡(luò)4.1　前饋過程神經(jīng)元網(wǎng)絡(luò)的一種簡單模型4.2　前饋過程神經(jīng)元網(wǎng)絡(luò)的一般模型4.3　基于權(quán)函數(shù)基展開的過程神經(jīng)元網(wǎng)絡(luò)模型4.4　前饋過程神經(jīng)元網(wǎng)絡(luò)的基本定理4.4.1　解的存在性4.4.2　連續(xù)性4.4.3　泛函逼近性質(zhì)4.4.4　計算能力4.5　分式前饋過程神經(jīng)元網(wǎng)絡(luò)4.5.1　分式過程神經(jīng)元4.5.2　分式過程神經(jīng)元網(wǎng)絡(luò)模型4.6　輸入與輸出均為時變函數(shù)的過程神經(jīng)元網(wǎng)絡(luò)4.6.1 網(wǎng)絡(luò)結(jié)構(gòu)4.6.2　模型的連續(xù)性與逼近能力4.7　連續(xù)過程神經(jīng)元網(wǎng)絡(luò)4.7.1　連續(xù)過程神經(jīng)元4.7.2　連續(xù)過程神經(jīng)元網(wǎng)絡(luò)模型4.7.3　模型的連續(xù)性、逼近能力和計算能力4.8　泛函神經(jīng)元網(wǎng)絡(luò)4.8.1　泛函神經(jīng)元4.8.2　前饋泛函神經(jīng)元網(wǎng)絡(luò)模型4.9　結(jié)束語第5章　過程神經(jīng)元網(wǎng)絡(luò)的學習算法5.1 基于梯度下降和牛頓法下降的學習算法5.1.1　基于梯度下降的一般學習算法5.1.2　基于梯度一牛頓法結(jié)合的學習算法5.1.3　基于牛頓下山法的學習算法　5.2 基于正交基展開的學習算法5.2.1 輸入函數(shù)的正交基展開5.2.2 學習算法推導5.2.3 算法描述和復雜性分析5.3 基于傅里葉函數(shù)變換的學習算法5.3.1 L2[0，2π]中函數(shù)的傅里葉正交基展開5.3.2 學習算法推導5.4 基于walsh函數(shù)變換的學習算法5.4.1 基于離散walsh函數(shù)變換的學習算法5.4.2 基于連續(xù)walsh函數(shù)變換的學習算法5.5 基于樣條函數(shù)擬合的學習算法5.5.1 樣條函數(shù)5.5.2 學習算法推導5.5.3 算法的適應性和復雜性分析5.6 基于有理平方逼近和最優(yōu)分段逼近的學習算法5.6.1 基于有理平方逼近的學習算法5.6.2 基于最優(yōu)分段逼近的學習算法5.7 結(jié)束語第6章 反饋過程神經(jīng)元網(wǎng)絡(luò)6.1 一種三層結(jié)構(gòu)的反饋過程神經(jīng)元網(wǎng)絡(luò)6.1.1 網(wǎng)絡(luò)結(jié)構(gòu)6.1.2 學習算法6.1.3 穩(wěn)定性分析6.2 幾種其他形式的反饋過程神經(jīng)元網(wǎng)絡(luò)6.2.1 輸入與輸出均為時變函數(shù)的反饋過程神經(jīng)元網(wǎng)絡(luò)6.2.2 可用于模式分類的反饋過程神經(jīng)元網(wǎng)絡(luò)6.2.3 可用于聯(lián)想記憶存儲的反饋過程神經(jīng)元網(wǎng)絡(luò)6.3 應用舉例第7章 多聚合過程神經(jīng)元網(wǎng)絡(luò)7.1 多聚合過程神經(jīng)元7.2 多聚合過程神經(jīng)元網(wǎng)絡(luò)模型7.2.1 多聚合過程神經(jīng)元網(wǎng)絡(luò)的一般模型7.2.2 輸入與輸出均為多元過程函數(shù)的多聚合過程神經(jīng)元網(wǎng)絡(luò)模型7.3 學習算法7.3.1 多聚合過程神經(jīng)元網(wǎng)絡(luò)一般模型的學習算法7.3.2 輸入與輸出均為多元函數(shù)的多聚合過程神經(jīng)元網(wǎng)絡(luò)的學習算法7.4 應用舉例7.5 結(jié)束語第8章 過程神經(jīng)元網(wǎng)絡(luò)的設(shè)計和構(gòu)建8.1 雙隱層過程神經(jīng)元網(wǎng)絡(luò)8.1.1 網(wǎng)絡(luò)結(jié)構(gòu)8.1.2 學習算法8.1.3 應用舉例8.2 離散過程神經(jīng)元網(wǎng)絡(luò)8.2.1 離散過程神經(jīng)元8.2.2 離散過程神經(jīng)元網(wǎng)絡(luò)8.2.3 學習算法8.2.4 應用舉例8.3 級聯(lián)過程神經(jīng)元網(wǎng)絡(luò)8.3.1 網(wǎng)絡(luò)結(jié)構(gòu)8.3.2 學習算法8.3.3 應用舉例8.4 自組織過程神經(jīng)元網(wǎng)絡(luò)8.4.1 網(wǎng)絡(luò)結(jié)構(gòu)8.4.2 學習算法8.4.3 應用舉例8.5 對傳過程神經(jīng)元網(wǎng)絡(luò)8.5.1 網(wǎng)絡(luò)結(jié)構(gòu)8.5.2 學習算法8.5.3 模式分類數(shù)的確定8.5.4 應用舉例8.6 徑向基過程神經(jīng)元網(wǎng)絡(luò)8.6.1 徑向基過程神經(jīng)元8.6.2 網(wǎng)絡(luò)結(jié)構(gòu)8.6.3 學習算法8.6.4 立用舉例8.7 結(jié)束語第9章 過程神經(jīng)元網(wǎng)絡(luò)的應用9.1 在過程建模中的應用9.2 在非線性系統(tǒng)辨識中的應用9.2.1 非線性系統(tǒng)辨識原理9.2.2 用于系統(tǒng)辨識的過程神經(jīng)元網(wǎng)絡(luò)9.2.3 非線性系統(tǒng)辨識過程9.3 在過程控制中的應用9.3.1 非線性系統(tǒng)的過程控制9.3.2 過程控制器的設(shè)計和求解9.3.3 仿真實驗9.4 在聚類和分類中的應用9.5 在過程優(yōu)化中的應用9.6 在預測預報中的應用9.7 在評估決策中的應用9.8 在宏觀控制中的應用9.9 其他應用9.10 值得進一步研究的理論和實際問題9.11 結(jié)束語參考文獻

章節(jié)摘錄

插圖：它不但把輸入的脈沖信號轉(zhuǎn)換為電位信號，而且具有經(jīng)驗記憶功能，并能根據(jù)記憶對輸入信號進行加權(quán)處理。歸納起來，腦系統(tǒng)的信息處理方式與傳統(tǒng)的馮·諾伊曼體系結(jié)構(gòu)的信息處理方式相比有以下幾點不同：1）信息的存儲方式不同。生物腦沒有單獨而集中的存儲器和運算器，神經(jīng)元集存儲與運算功能于一體，各種信息被分布存儲在各個神經(jīng)元的突觸中，各種信號處理十分細粒度地被分布在眾多的神經(jīng)元中完成。2）生物腦在求解問題過程中不需要編程，即用于實際問題求解時不需要預先建立模型，而是通過學習直接改變神經(jīng)元突觸中的記憶參數(shù)（連接權(quán)值）來獲得求解特定問題的知識。3）生物腦所處理的信息（處理對象）并不是完全確定的和精確的，而具有明顯的模糊性和隨機性，其處理對象既可能是離散量，也可能是連續(xù)量。4）生物腦對信息的處理方式既有數(shù)字方式，又有模擬方式，或者數(shù)／模有機混合方式，而且包含隨機的處理方式。因此可以認為，大腦與現(xiàn)代計算機在信息處理方式上具有極大區(qū)別。隨機處理方式的加入，數(shù)／?；旌线M行處理，使得整個處理過程變得十分復雜，處理過程往往具有不可重復性。

編輯推薦

《過程神經(jīng)元網(wǎng)絡(luò)》是由科學出版社出版的。

圖書封面

評論、評分、閱讀與下載

---

    過程神經(jīng)元網(wǎng)絡(luò) PDF格式下載

---