人工神經(jīng)網(wǎng)絡與微粒群優(yōu)化

內(nèi)容概要

本書介紹了幾類常用的和基本的人工神經(jīng)網(wǎng)絡模型，即感知機、前饋型、反饋型、隨機神經(jīng)網(wǎng)絡，還介紹了比較新并有發(fā)展前途的支持向量機、非線性泛函網(wǎng)絡、人工免疫系統(tǒng)，獨立成章地闡述了微粒群算法的基本原理及人工神經(jīng)網(wǎng)絡的微粒群優(yōu)化技術(shù)，每種模型都圍繞結(jié)構(gòu)、基本原理、學習算法的次序來闡述，同時介紹了在數(shù)據(jù)挖掘、創(chuàng)新概念設計中的應用。書中部分內(nèi)容是幾年來作者及其所指導的研究生們研究成果的總結(jié)。    本書選材精、內(nèi)容新、闡述系統(tǒng)，力爭深入淺出和突出應用，可作為相應學科的研究生和高年級本科生的課程教材，也可作為從事該領域研究的科學技術(shù)人員的參考書。

書籍目錄

第1章　概論  1.1　人工神經(jīng)網(wǎng)絡的基本概念    1.1.1  人工神經(jīng)網(wǎng)絡的基本概念和特征    1.1.2　神經(jīng)元數(shù)學模型  1.2　人工神經(jīng)網(wǎng)絡研究的發(fā)展簡史    1.2.1　人工神經(jīng)網(wǎng)絡研究的發(fā)展    1.2.2　我國人工神經(jīng)元網(wǎng)絡研究的情況    1.2.3　存在的問題    1.2.4　幾種著名的神經(jīng)網(wǎng)絡  1.3　并行及分布處理理論    1.3.1  并行分布處理理論    1.3.2  PDP的基本概念    1.3.3  聯(lián)結(jié)性和并行分布性    1.3.4  非符號性和連續(xù)性  1.4  研究人工神經(jīng)網(wǎng)絡的意義    1.4.1　神經(jīng)網(wǎng)絡與傳統(tǒng)計算的比較    1.4.2　人工神經(jīng)元網(wǎng)絡與人工智能系統(tǒng)的比較    1.4.3　研究人工神經(jīng)元網(wǎng)絡的意義    1.4.4　人工神經(jīng)元網(wǎng)絡在控制領域中的應用第2章　人工神經(jīng)網(wǎng)絡的基本原理  2.1　神經(jīng)元    2.1.1　神經(jīng)元的結(jié)構(gòu)    2.1.2　大腦的信息處理原理  2.2　人工神經(jīng)網(wǎng)絡模型    2.2.1　形式神經(jīng)元模型    2.2.2　神經(jīng)網(wǎng)絡的基本結(jié)構(gòu)    2.2.3　神經(jīng)元的學習法則    2.2.4　神經(jīng)元的計算原理  2.3　十種常用的學習規(guī)則    2.3.1  Hebb學習規(guī)則    2.3.2  感知器的學習規(guī)則    2.3.3　δ學習規(guī)則    2.3.4　Widnow-Hoff學習規(guī)則    2.3.5　相關學習規(guī)則    2.3.6　“勝者為王”學習規(guī)則    2.3.7　內(nèi)星和外星學習規(guī)則    2.3.8　梯度下降算法    2.3.9　隨機訓練算法    2.3.10　模擬退火算法    2.3.11　學習規(guī)則的一覽表  2.4　學習任務    2.4.1  模式聯(lián)想    2.4.2  模式識別    2.4.3　函數(shù)逼近    2.4.4　控制    2.4.5　濾波    2.4.6　波束形成  2.5  記憶    2.5.1  相關矩陣記憶    2.5.2  回憶  2.6  自適應  2.7  學習過程的統(tǒng)計性質(zhì)  2.8  統(tǒng)計學習理論    2.8.1  一些基本定義    2.8.2  經(jīng)驗風險最小化原則  2.9  VC維    2.9.1  VC維的估計    2.9.2  可能近似正確的學習模型    2.9.3  樣本復雜性    2.9.4  計算復雜性第3章　感知機  3.1　最簡單的感知機  3.2　感知機的學習算法  3.3　收斂定理  3.4　簡單感知機的局限性  3.5　凸集分離定理    3.5.1　凸集與凸性    3.5.2　凸集分離定理第4章　前饋型神經(jīng)網(wǎng)絡  4.1　多層感知器  4.2　多層感知器的學習算法  4.3　激活函數(shù)    4.3.1  S型函數(shù)    4.3.2  其他激活函數(shù)    4.3.3  非線性誤差函數(shù)  4.4  BP算法的改進  4.5　網(wǎng)絡設計及數(shù)據(jù)預處理    4.5.1　輸入層和輸出層的設計    4.5.2　隱含層數(shù)和層內(nèi)節(jié)點數(shù)的選擇  4.6　網(wǎng)絡映射及容量分析    4.6.1映射作用    4.6.2前向網(wǎng)絡的容量分析第5章  BP網(wǎng)絡的應用  5.1  XOR問題  5.2  天氣預報問題  5.3  地下水位的預測  5.4  室內(nèi)溫度的預測  5.5  產(chǎn)品成本的預測第6章　反饋型神經(jīng)網(wǎng)絡  6.1  Hopfield網(wǎng)絡  6.2  聯(lián)想記憶與神經(jīng)計算    6.2.1  聯(lián)想記憶    6.2.2  神經(jīng)計算  6.3  連續(xù)時間Hopfield神經(jīng)網(wǎng)絡模型    6.3.1  非線性連續(xù)時間Hopfield神經(jīng)網(wǎng)絡    6.3.2  Hopfield型神經(jīng)網(wǎng)絡的設計與穩(wěn)定性  6.4  Hopfield神經(jīng)網(wǎng)絡論文分析  6.5  Hopfield網(wǎng)絡在動態(tài)聯(lián)盟伙伴中的應用  　6.5.1  模型的建立  　6.5.2  模型的簡化  　6.5.3  對多目標的動態(tài)聯(lián)盟問題求解  　6.5.4  基于Hopfield網(wǎng)絡的多目標動態(tài)聯(lián)盟求解第7章  隨機神經(jīng)網(wǎng)絡  7.1  模擬退火算法    7.1.1  模擬退火算法    7.1.2  改進的模擬退火算法    7.1.3  SA算法的收斂法  7.2  玻耳茲曼機    7.2.1  玻耳茲曼機模型    7.2.2  能量函數(shù)    7.2.3  學習算法    7.2.4  玻耳茲曼機學習算法推導  7.3  NN的概率統(tǒng)計法  7.4  并行分布柯西機  7.5  神經(jīng)網(wǎng)絡的熵理論    7.5.1  NN計算能量與熵    7.5.2  同步并行計算    7.5.3  異步串行計算  7.6  動力系統(tǒng)的分維學    7.6.1  Hausdorff維數(shù)    7.6.2  分維的量度  7.7  分維神經(jīng)網(wǎng)絡    7.7.1  分維NN結(jié)構(gòu)    7.7.2  信息的存儲第8章  非線性泛函網(wǎng)絡  8.1  非線性可分性    8.1.1  聲可分性    8.1.2  RBF網(wǎng)絡的結(jié)構(gòu)及工作原理    8.1.3  函數(shù)逼近與內(nèi)插  8.2  Cover定理  8.3  正規(guī)化理論  8.4  RBF網(wǎng)絡的學習算法  8.5  泛函連接網(wǎng)絡  8.6  小波網(wǎng)絡    8.6.1  小波理論    8.6.2  小波網(wǎng)絡    8.6.3  小波網(wǎng)絡的性能分析    8.6.4  小波網(wǎng)絡在股市預測中的應用    8.6.5  小波理論在創(chuàng)新概念設計評價中的應用第9章  支持向量機  9.1  簡介  9.2  線性可分模式的最優(yōu)超平面    9.2.1  用于尋找最優(yōu)超平面的二次最優(yōu)化    9.2.2  最優(yōu)超平面的統(tǒng)計特性  9.3  不可分模式的最優(yōu)超平面  9.4  怎樣建立用于模式識別的支持向量機    9.4.1  內(nèi)積核    9.4.2  Mercer定理    9.4.3  支持向量機的最優(yōu)設計    9.4.4  支持向量機的例子  9.5  例子：XOR問題  9.6  一不敏感損失函數(shù)  9.7  用于非線性回歸的支持向量機  9.8  小結(jié)和討論第10章  人工免疫系統(tǒng)及克隆選擇算法  10.1　概述  10.2　生物免疫系統(tǒng)的基本原理    10.2.1　免疫系統(tǒng)的功能    10.2.2  固有性免疫響應和適應性免疫響應    10.2.3　免疫系統(tǒng)的結(jié)構(gòu)  10.3　人工免疫系統(tǒng)    10.3.1　人工免疫系統(tǒng)進展    10.3.2　人工免疫系統(tǒng)的研究領域    10.3.3　人工免疫系統(tǒng)與其他方法的比較  10.4　克隆選擇學說與克隆選擇算子    10.4.1　克隆選擇    10.4.2　克隆算子  10.5　簡單克隆選擇算法及其性能分析    10.5.1　簡單克隆選擇算法    10.5.2　簡單克隆選擇算法的收斂性    10.5.3　多克隆算子與單克隆算子的比較    10.5.4　克隆選擇算法與進化算法  　10.5.5　克隆選擇算法的優(yōu)缺點  10.6　小結(jié)    10.6.1　人工免疫系統(tǒng)存在的問題    10.6.2　基于人工免疫系統(tǒng)的綜合集成    10.6.3　人工免疫系統(tǒng)應用研究    10.6.4　人工免疫系統(tǒng)進一步研究的方向第11章　微粒群算法  11.1　基本的微粒群算法    11.1.1　引言    11.1.2　基本微粒群算法    11.1.3　基本微粒群算法的社會行為分析  11.2　改進的微粒群算法    11.2.1　對基本微粒群算法進化方程的改進    11.2.2　利用小生境思想所做的改進    11.2.3　離散變量的微粒群算法  11.3　微粒群算法的應用    11.3.1　進化計算用于神經(jīng)網(wǎng)絡的優(yōu)化    11.3.2　用PSO算法優(yōu)化神經(jīng)網(wǎng)絡    11.3.3　協(xié)同PSO算法優(yōu)化神經(jīng)網(wǎng)絡  11.4　微粒群算法在建筑設計上的應用探索    11.4.1　群體智能算法總體模式    11.4.2　群體智能算法之PSO算法及其在建筑設計上的應用探索

章節(jié)摘錄

　　第1章　概論　　【內(nèi)容提要】　　人工神經(jīng)網(wǎng)絡的基本概念；人工神經(jīng)網(wǎng)絡研究的發(fā)展簡史；并行及處理理論；研究人工神經(jīng)網(wǎng)絡的意義；人工神經(jīng)網(wǎng)絡的研究概況　　以馮·諾依曼型計算機為中心的信息處理技術(shù)的高速發(fā)展，使得計算機在當今的信息化社會中起著十分重要的作用，但是在用它來解決某些人工智能問題時卻遇到了很大的困難?！　±?，一個人可以很容易地識別他人的臉孔，但計算機則很難做到這一點。這是因為臉孔的識別不能用一個精確的數(shù)學模型加以描述，而計算機工作則必須有對模型進行各種運算的指令，如果得不到模型，程序也就無法編制。而大腦是由生物神經(jīng)元構(gòu)成的巨型網(wǎng)絡，它在本質(zhì)上不同于計算機，是一種大規(guī)模的并行處理系統(tǒng)，它具有學習、聯(lián)想記憶、綜合等能力，并有巧妙的信息處理方法。人工神經(jīng)網(wǎng)絡（簡稱神經(jīng)網(wǎng)絡）也是由大量的、功能比較簡單的形式神經(jīng)元互相連接而構(gòu)成的復雜網(wǎng)絡系統(tǒng)，用它可以模擬大腦的許多基本功能和簡單的思維方式。盡管它還不是大腦的完美無缺的模型，但它可以通過學習來獲取外部的知識并存儲在網(wǎng)絡內(nèi)，可以解決計算機不易處理的難題，特別是語音和圖像的識別、理解，知識的處理，組合優(yōu)化計算和智能控制等一系列本質(zhì)上非計算的問題。因此，神經(jīng)網(wǎng)絡技術(shù)已成為當前人工智能領域中最令人感興趣和最富有魅力的研究　　課題?！　?.1　人工神經(jīng)網(wǎng)絡的基本概念　　1.1.1　人工神經(jīng)網(wǎng)絡的基本概念和特征　　人的大腦是自然界所造就的最高級產(chǎn)物。人的思維是由人腦來完成的，思維是人類智能的集中體現(xiàn)。人的思維主要可概括為邏輯思維（包括聯(lián)想）和形象思維兩種。過去以規(guī)則為基礎的知識系統(tǒng)可被認為是致力于模擬人的邏輯思維，而人工神經(jīng)網(wǎng)絡則可被認為是探索人的形象思維，前者由左腦主管，后者則是由右腦主管。人的智能是多種多樣的和分層的。人的行為有時是單種智能，有時是多種智能綜合應用的結(jié)果。……

編輯推薦

《人工神經(jīng)網(wǎng)絡與微粒群優(yōu)化》由北京郵電大學出版社出版。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    人工神經(jīng)網(wǎng)絡與微粒群優(yōu)化 PDF格式下載

---