人工神經(jīng)網(wǎng)絡(luò)理論·模型·算法與應(yīng)用

前言

20世紀(jì)80年代以來，以美國為代表，掀起了一股人工神經(jīng)網(wǎng)絡(luò)研究的熱潮。人工神經(jīng)網(wǎng)絡(luò)具有超高維、強(qiáng)非線性、自學(xué)習(xí)、自適應(yīng)、自組織和并行處理等眾多獨(dú)特的性能和優(yōu)點(diǎn)，使其在許多實(shí)際應(yīng)用領(lǐng)域：如系統(tǒng)辨識、自動控制、故障診斷、模式識別、組合優(yōu)化、通信和語音及圖像、信號處理中得到廣泛的應(yīng)用并取得了顯著成效，能夠解決傳統(tǒng)方法極難求解的一些問題，如旅行推銷員問題（TSP問題）。人工神經(jīng)網(wǎng)絡(luò)是一門新興的交叉科學(xué)，它源于當(dāng)代幾種著名的科學(xué)理論，如計(jì)算神經(jīng)理論、統(tǒng)計(jì)物理中非平衡系統(tǒng)的自組織理論及分形與混沌理論。這門學(xué)科的出現(xiàn)不是偶然的，一方面是科學(xué)和工程的廣泛領(lǐng)域出于自身發(fā)展的需要，例如自動控制領(lǐng)域中人們遇到了日益復(fù)雜的控制系統(tǒng)（時(shí)變、非線性、多變量控制系統(tǒng)）及越來越高的控制要求，使得傳統(tǒng)的控制方法遇到了極大的挑戰(zhàn)；人工智能和計(jì)算機(jī)科學(xué)也出現(xiàn)了很多困難，這促使人們?nèi)ピ噲D模擬人腦的優(yōu)異功能來解決傳統(tǒng)方法遇到的問題。另一方面是有關(guān)交叉學(xué)科，如腦科學(xué)、認(rèn)知科學(xué)、統(tǒng)計(jì)物理、分形與混沌理論等取得了長足的發(fā)展，為人工神經(jīng)網(wǎng)絡(luò)理論的形成打下了堅(jiān)實(shí)的基礎(chǔ)。

內(nèi)容概要

《人工神經(jīng)網(wǎng)絡(luò)理論·模型·算法與應(yīng)用》由神經(jīng)網(wǎng)絡(luò)的原理和神經(jīng)網(wǎng)絡(luò)的應(yīng)用兩部分組成。第一部分闡述了當(dāng)前最具體表性的幾種神經(jīng)網(wǎng)絡(luò)模型，如前饋多層神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)和混沌神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、特點(diǎn)和學(xué)習(xí)算法。第二部分介紹了神經(jīng)網(wǎng)絡(luò)在系統(tǒng)辨識、自動控制、神經(jīng)網(wǎng)絡(luò)控制混沌等方面的應(yīng)用。
《人工神經(jīng)網(wǎng)絡(luò)理論·模型·算法與應(yīng)用》可作為自動控制、電路與系統(tǒng)、計(jì)算機(jī)、信息處理、物理等專業(yè)的研究生教材和高年級本科生選修課教材，也可供有關(guān)科研人員參考。

書籍目錄

第一章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)概論1．1 神經(jīng)網(wǎng)絡(luò)理論形成的科學(xué)背景1．2 神經(jīng)網(wǎng)絡(luò)理論的發(fā)展歷史與趨勢1．2．1 早期階段1．2．2 20世紀(jì)70年代的過渡期1．2．3 20世紀(jì)80年代的高潮期1．2．4 目前的研究狀況和方向1．3 人工神經(jīng)網(wǎng)絡(luò)的生物學(xué)基礎(chǔ)和人工神經(jīng)元模型1．3．1 神經(jīng)網(wǎng)絡(luò)的生物學(xué)基礎(chǔ)1．3．2 人工神經(jīng)元模型1．4 神經(jīng)網(wǎng)絡(luò)模型的定義和結(jié)構(gòu)1．4．1 神經(jīng)網(wǎng)絡(luò)模型的定義1．4．2 神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)1．5 人工神經(jīng)網(wǎng)絡(luò)計(jì)算和傳統(tǒng)計(jì)算的特點(diǎn)比較1．6 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則與實(shí)現(xiàn)1．6．1 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則1．6．2 神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)1．7 神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域第二章 前饋神經(jīng)網(wǎng)絡(luò)2．1 感知器2．1．1 單層感知器的網(wǎng)絡(luò)結(jié)構(gòu)2．1．2 單層感知器的表征能力與線性可分性．2．1．3 感知器的學(xué)習(xí)算法2．2 前饋型BP神經(jīng)網(wǎng)絡(luò)2．2．1 BP網(wǎng)絡(luò)的結(jié)構(gòu)2．2．2 BP網(wǎng)絡(luò)的分類能力2．3 BP網(wǎng)絡(luò)的學(xué)習(xí)算法2．3．1 誤差反向傳播學(xué)習(xí)算法(EBP)2．3．2 EBP算法的缺點(diǎn)與改進(jìn)2．3．3 模擬退火算法2．3．4 遺傳算法2．4 前饋型多層網(wǎng)絡(luò)的映射能力與逼近能力2．4．1 前饋網(wǎng)絡(luò)的映射能力2．4．2 前饋網(wǎng)絡(luò)的逼近能力2．5 BP網(wǎng)絡(luò)的設(shè)計(jì)討論2．6 BP學(xué)習(xí)算法的VC++語言編程及有關(guān)結(jié)果2．6．1 EBP學(xué)習(xí)算法實(shí)現(xiàn)異或分類的C++語言程序2．6．2 運(yùn)行結(jié)果2．7 BP神經(jīng)網(wǎng)絡(luò)小結(jié)2．8 徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)2．8．1 RBF神經(jīng)網(wǎng)絡(luò)的生物學(xué)背景與結(jié)構(gòu)2．8．2 RBF網(wǎng)絡(luò)的學(xué)習(xí)算法2．9 小波神經(jīng)網(wǎng)絡(luò)2．9．1 小波函數(shù)的定義2．9．2 小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)2．9．3 小波神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)和學(xué)習(xí)算法2．10 小腦模型神經(jīng)網(wǎng)絡(luò)2．10．1 CMAC網(wǎng)絡(luò)的結(jié)構(gòu)2．10．2 CMAC網(wǎng)絡(luò)的學(xué)習(xí)算法2．11 FLAT神經(jīng)網(wǎng)絡(luò)2．11．1 FLAT神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)2．11．2 FLAT神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法2．12 用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)EEG信號的預(yù)測2．12．1 預(yù)測原理及其模型2．12．2 RBF網(wǎng)絡(luò)徑向基函數(shù)的改進(jìn)2．12．3 數(shù)據(jù)處理結(jié)果及討論第三章 反饋神經(jīng)網(wǎng)絡(luò)3．1 概述3．2 離散Hopfield神經(jīng)網(wǎng)絡(luò)3．2．1 網(wǎng)絡(luò)的結(jié)構(gòu)及工作方式3．2．2 網(wǎng)絡(luò)的能量函數(shù)與穩(wěn)定性分析3．2．3 網(wǎng)絡(luò)的聯(lián)想記憶和記憶容量3．3 連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)3．3．1 網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)3．3．2 CHNN的能量函數(shù)與穩(wěn)定性分析3．4 連續(xù)Hopfield網(wǎng)絡(luò)用于組合優(yōu)化問題的求解3．4．1 基于連續(xù)Hopfield網(wǎng)絡(luò)求解TSP問題3．4．2 算法的具體實(shí)現(xiàn)及計(jì)算結(jié)果3．4．3 基于Hopfield網(wǎng)絡(luò)的A／D轉(zhuǎn)換器3．5 Hopfield神經(jīng)網(wǎng)絡(luò)運(yùn)行的C語言程序3．6 隨機(jī)神經(jīng)網(wǎng)絡(luò)3．6．1 Boltzman機(jī)3．7 遞歸神經(jīng)網(wǎng)絡(luò)第四章 自組織神經(jīng)網(wǎng)絡(luò)4．1 概述4．2 自組織競爭型神經(jīng)網(wǎng)絡(luò)4．2．1 基本競爭型神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)規(guī)則4．2．2 抑制競爭型神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)規(guī)則4．3 自適應(yīng)共振理論神經(jīng)網(wǎng)絡(luò)4．3．1 ART神經(jīng)網(wǎng)絡(luò)的主要優(yōu)點(diǎn)4．3．2 ART-1的基本原理4．3．3 ART-1神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法4．3．4 ART-2神經(jīng)網(wǎng)絡(luò)4．3．5 ART-2神經(jīng)網(wǎng)絡(luò)小結(jié)4．4 Kohonen自組織特征映射網(wǎng)絡(luò)及其學(xué)習(xí)算法4．4．1 SOFM網(wǎng)絡(luò)結(jié)構(gòu)4．4．2 Kohonen自組織映射算法4．4．3 學(xué)習(xí)速率函數(shù)和連接權(quán)初值確定問題的討論4．4．4 實(shí)例4．5 SOMF神經(jīng)網(wǎng)絡(luò)模擬概率分布的C++語言程序第五 章混沌神經(jīng)網(wǎng)絡(luò)及其混沌控制5．1 混沌神經(jīng)網(wǎng)絡(luò)研究的歷史與現(xiàn)狀5．2 混沌神經(jīng)網(wǎng)絡(luò)模型及其動力學(xué)特征5．2．1 互聯(lián)混沌神經(jīng)網(wǎng)絡(luò)5．2．2 自組織映射混沌神經(jīng)網(wǎng)絡(luò)5．2．3 離散混沌神經(jīng)網(wǎng)絡(luò)模型5．3 混沌神經(jīng)網(wǎng)絡(luò)中的混沌行為控制5．4 混沌神經(jīng)網(wǎng)絡(luò)在優(yōu)化計(jì)算中的應(yīng)用5．5 混沌神經(jīng)網(wǎng)絡(luò)在動態(tài)關(guān)聯(lián)存儲方面的應(yīng)用5．6 前饋型神經(jīng)網(wǎng)絡(luò)用于混沌控制5．6．1 控制方法5．6．2 數(shù)值模擬5．6．3 控制機(jī)理的進(jìn)一步討論5．7 神經(jīng)網(wǎng)絡(luò)特征的歸納和總結(jié)第六章 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識6．1 系統(tǒng)辨識的基本概念和內(nèi)容6．1．1 系統(tǒng)辨識的定義6．1．2 線性系統(tǒng)的辨識方法6．1．3 系統(tǒng)辨識的內(nèi)容?6．1．4 實(shí)際辨識中要考慮的幾個(gè)關(guān)鍵問題6．1．5 非線性系統(tǒng)的特點(diǎn)及其辨識方法6．2 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識6．2．1 基于神經(jīng)網(wǎng)絡(luò)辨識的特點(diǎn)6．2．2 幾種典型的非線性模型與結(jié)構(gòu)6．2．3 基于神經(jīng)網(wǎng)絡(luò)辨識的條件和結(jié)構(gòu)6．2．4 基于神經(jīng)網(wǎng)絡(luò)的兩種主要模型的辨識結(jié)構(gòu)6．3 基于神經(jīng)網(wǎng)絡(luò)的逆動力學(xué)系統(tǒng)的辨識6．3．1 非線性系統(tǒng)的可逆性6．3．2 逆系統(tǒng)建模方法6．4 基于BP網(wǎng)絡(luò)的系統(tǒng)辨識與實(shí)例6．4．1 基于BP網(wǎng)絡(luò)的系統(tǒng)辨識算法6．4．2 基于BP網(wǎng)絡(luò)系統(tǒng)辨識的實(shí)例第七章 神經(jīng)網(wǎng)絡(luò)與自動控制7．1 概述7．2 神經(jīng)網(wǎng)絡(luò)控制的發(fā)展及其用于控制的優(yōu)越性7．2．1 神經(jīng)網(wǎng)絡(luò)控制的發(fā)展7．2．2 神經(jīng)網(wǎng)絡(luò)用于控制的優(yōu)越性7．3 線性系統(tǒng)的神經(jīng)網(wǎng)絡(luò)控制7．3．1 反饋的兩種基本形式7．3．2 神經(jīng)網(wǎng)絡(luò)觀測器的實(shí)現(xiàn)方法7．4 神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制7．4．1 概述7．4．2 自適應(yīng)控制的基本概念與結(jié)構(gòu)7．4．3 神經(jīng)網(wǎng)絡(luò)直接自適應(yīng)控制7．4．4 神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制7．4．5 神經(jīng)網(wǎng)絡(luò)自校正控制7．5 神經(jīng)網(wǎng)絡(luò)非線性預(yù)測控制7．5．1 神經(jīng)網(wǎng)絡(luò)預(yù)測控制的一般結(jié)構(gòu)與算法7．5．2 神經(jīng)網(wǎng)絡(luò)預(yù)測器的幾種方案7．6 神經(jīng)網(wǎng)絡(luò)模糊控制7．6．1 模糊控制的基本思想7．6．2 模糊控制的特點(diǎn)與組成7．6．3 反模糊化7．6．4 模糊控制的優(yōu)點(diǎn)和需要解決的問題7．6．5 神經(jīng)網(wǎng)絡(luò)與模糊控制系統(tǒng)7．6．6 神經(jīng)網(wǎng)絡(luò)在模糊控制中的應(yīng)用參考文獻(xiàn)附錄1用四階龍格一庫塔算法求解Lorenz系統(tǒng)的c語言程序附錄2時(shí)間序列快速傅立葉變換(FFT)的C語言程序

章節(jié)摘錄

插圖：第一章神經(jīng)網(wǎng)絡(luò)基礎(chǔ)概論近代科學(xué)誕生之后，人類在研究自然現(xiàn)象及其規(guī)律性時(shí)，總是把研究對象歸結(jié)為一個(gè)數(shù)學(xué)模型，通過研究這個(gè)數(shù)學(xué)模型的性質(zhì)和規(guī)律達(dá)到認(rèn)識自然界規(guī)律性的目的。神經(jīng)網(wǎng)絡(luò)模型就是一種基于生理學(xué)的智能仿生模型，它體現(xiàn)了當(dāng)代幾種著名的科學(xué)理論，如計(jì)算神經(jīng)理論、耗散結(jié)構(gòu)理論及分形、混沌理論的基本精神。它的突出特點(diǎn)是超高維和強(qiáng)非線性，具有自組織、自適應(yīng)和自學(xué)習(xí)能力，以及非局域性、非定常性和非凸性等特點(diǎn)。神經(jīng)網(wǎng)絡(luò)模型的出現(xiàn)及其理論的發(fā)展，成為了一個(gè)全新的科學(xué)模型化的新范例，將對計(jì)算機(jī)科學(xué)與技術(shù)及其他相關(guān)科學(xué)的發(fā)展產(chǎn)生持久而深遠(yuǎn)的影響。§1.1神經(jīng)網(wǎng)絡(luò)理論形成的科學(xué)背景從神經(jīng)網(wǎng)絡(luò)科學(xué)的發(fā)展史來看，雖然早在20世紀(jì)40年代，心理學(xué)家和數(shù)學(xué)家出于研究人腦認(rèn)知功能的目的，開展了基于生理學(xué)的智能仿生模型——即人工神經(jīng)網(wǎng)絡(luò)（以下簡稱神經(jīng)網(wǎng)絡(luò)）的研究，但神經(jīng)網(wǎng)絡(luò)作為一門科學(xué)，它成熟于20世紀(jì)80年代至90年代中期。經(jīng)歷了一個(gè)興衰起伏的曲折發(fā)展過程，這一過程的出現(xiàn)是科學(xué)發(fā)展自身的規(guī)律性作用和實(shí)際應(yīng)用需要的結(jié)果，主要有以下幾個(gè)方面的原因：（1）人類在研究自然、改造自然的過程中，逐漸認(rèn)識到了研究人類大腦的物質(zhì)結(jié)構(gòu)、意識活動和生物特征的極端重要性。雖然人們已能從神經(jīng)結(jié)構(gòu)、細(xì)胞體構(gòu)成和分子生物學(xué)的水平上初步探明了大腦組織的特征，并已可以通過生理實(shí)驗(yàn)證明許多大腦的認(rèn)知機(jī)理，而且從定性上掌握了人腦的信息處理具有并行運(yùn)算、分布式存儲、自學(xué)習(xí)和聯(lián)想記憶的特點(diǎn)。但因腦神經(jīng)細(xì)胞的數(shù)量巨大（約為100億個(gè)）和連接的高度復(fù)雜性，人們到目前為止還不能完全掌握大腦的物質(zhì)組成結(jié)構(gòu)、大腦思維、意識和精神活動的特點(diǎn)。神經(jīng)網(wǎng)絡(luò)理論的誕生，是人類建立研究大腦的一種科學(xué)模型化的新范例。

編輯推薦

《人工神經(jīng)網(wǎng)絡(luò)理論?模型?算法與應(yīng)用》由廣西師范大學(xué)出版社出版。

圖書封面

圖書標(biāo)簽Tags

無

評論、評分、閱讀與下載

---

    人工神經(jīng)網(wǎng)絡(luò)理論·模型·算法與應(yīng)用 PDF格式下載

---