人工神经网络理论及应用(普通高等教育电气工程自动化系列规划教材)

该书系统地论述了人工神经网络的主要理论、设计基础及应用实例，旨在使读者理解和熟悉神经网络的基本原理和主要应用，掌握它的结构和设计应用方法，为深入研究和应用开发打下基础。为了便于读者理解，书中尽量避免烦琐的数学推导，加强了应用举例，并在内容的选择和编排上注意到读者初次接触新概念的易接受性和思维的逻辑性，也注意引入目前神经网络研究领域的前沿知识如深度网络等。为便于读者能将理论转化为应用，在主要章节的后都给出了MATLAB的应用例子，并对程序和结果进行了详细的讲解。

施彦，博士，北京工商大学副教授。2000年北京理工大学获工学学士学位(工业自动化)，2005年获博士学位(控制理论与控制工程)，同年到北京工商大学任教。曾赴美国明尼苏达大学和清华大学作双语教学培训和人工智能方向访问研究。长期从事人工智能、智能信息处理以及仿真等领域的教学工作，并围绕化工、农业、物流、经济等行业的智能信息处理和决策问题开展科学研究。发表相关论文十余篇，出版学术著作3部。

前言 第１ 章　绪论 １ 　１. １　人工神经网络概述 １ 　　１. １. １　人脑与计算机信息处理能力的 比较 ２ 　　１. １. ２　人脑与计算机信息处理机制的 比较 ３ 　　１. １. ３　什么是人工神经网络 ４ 　１. ２　人工神经网络发展简史 ５ 　　１. ２. １　启蒙时期 ５ 　　１. ２. ２　低潮时期 ７ 　　１. ２. ３　复兴时期 ８ 　　１. ２. ４　新时期 ９ 　　１. ２. ５　海量数据时代 １２ 　　１. ２. ６　国内研究概况 １２ 　１. ３　神经网络的基本特征与功能 １３ 　　１. ３. １　神经网络的基本特点 １３ 　　１. ３. ２　神经网络的基本功能 １３ 　１. ４　神经网络的应用领域 １５ 　　１. ４ １　信息处理领域 １５ 　　１. ４. ２　自动化领域 １６ 　　１. ４. ３　工程领域 １６ 　　１. ４. ４　医学领域 １７ 　　１. ４. ５　经济领域 １７ 　本章小结 １８ 　习题 １９ 第２ 章　人工神经网络建模基础 ２０ 　２. １　脑的生物神经系统概述 ２０ 　　２. １. １　人体神经系统的构成 ２０ 　　２. １. ２　高级中枢神经系统的功能 ２１ 　　２. １. ３　脑组织的分层结构 ２２ 　２. ２　生物神经网络基础 ２３ 　　２. ２. １　生物神经元的结构 ２３ 　　２. ２. ２　生物神经元的信息处理机理 ２４ 　２. ３　人工神经元模型 ２６ 　　２. ３. １　神经元的建模 ２６ 　　２. ３. ２　神经元的数学模型 ２７ 　　２. ３. ３　神经元的变换函数 ２８ 　２. ４　人工神经网络模型 ３０ 　　２. ４. １　网络拓扑结构类型 ３０ 　　２. ４. ２　网络信息流向类型 ３１ 　２. ５　神经网络学习 ３２ 　　２. ５. １　Ｈｅｂｂｉａｎ 学习规则 ３４ 　　２. ５. ２　离散感知器学习规则 ３５ 　　２. ５. ３　连续感知器学习规则 ３６ 　　２. ５. ４　最小方均学习规则 ３７ 　　２. ５. ５　相关学习规则 ３８ 　　２. ５. ６　胜者为王学习规则 ３８ 　　２. ５. ７　外星学习规则 ３８ 　本章小结 ４０ 　习题 ４０ 第３ 章　感知器神经网络 ４２ 　３. １　单层感知器 ４２ 　　３. １. １　感知器模型 ４２ 　　３. １. ２　感知器的功能 ４３ 　　３. １. ３　感知器的局限性 ４５ 　　３. １. ４　感知器的学习算法 ４５ 　３. ２　多层感知器 ４７ 　３. ３　自适应线性单元简介 ４９ 　　３. ３. １　ＡＤＡＬＩＮＥ 模型 ４９ 　　３. ３. ２　ＡＤＡＬＩＮＥ 学习算法 ４９ 　　３. ３. ３　ＡＤＡＬＩＮＥ 应用 ５１ 　３. ４　误差反传算法 ５１ Ⅵ　 　　３. ４. １　基于ＢＰ 算法的多层感知器 模型 ５２ 　　３. ４. ２　ＢＰ 学习算法 ５３ 　　３. ４. ３　ＢＰ 算法的程序实现 ５６ 　　３. ４. ４　多层感知器的主要能力 ５７ 　　３. ４. ５　误差曲面与ＢＰ 算法的局限性 ５８ 　３. ５　标准ＢＰ 算法的改进 ５９ 　　３. ５. １　增加动量项 ５９ 　　３. ５. ２　自适应调节学习率 ５９ 　　３. ５. ３　引入陡度因子 ６０ 　３. ６　基于ＢＰ 算法的多层感知器设计 基础 ６０ 　　３. ６. １　网络信息容量与训练样本数 ６０ 　　３. ６. ２　训练样本集的准备 ６１ 　　３. ６. ３　初始权值的设计 ６４ 　　３. ６. ４　多层感知器结构设计 ６５ 　　３. ６. ５　网络训练与测试 ６６ 　３. ７　基于ＢＰ 算法的多层感知器应用与设计 实例 ６７ 　　３. ７. １　基于ＢＰ 算法的多层感知器用于 催化剂配方建模 ６７ 　　３. ７. ２　基于ＢＰ 算法的多层感知器用于 汽车变速器最佳挡位判定 ６８ 　　３. ７. ３　基于ＢＰ 算法的多层感知器用于 图像压缩编码 ６９ 　　３. ７. ４　基于ＢＰ 算法的多层感知器用于 水库优化调度 ６９ 　３. ８　基于ＭＡＴＬＡＢ 的ＢＰ 网络应用实例 ７０ 　　３. ８. １　ＢＰ 网络用于数据拟合 ７０ 　　３. ８. ２　ＢＰ 网络用于鸢尾花分类问题 ７２ 　扩展资料 ７６ 　本章小结 ７７ 　习题 ７７ 第４ 章　自组织竞争神经网络 ８０ 　４. １　竞争学习的概念与原理 ８０ 　　４. １. １　基本概念 ８０ 　　４. １. ２　竞争学习原理 ８２ 　４. ２　自组织特征映射神经网络 ８４ 　　４. ２. １　ＳＯＦＭ 网的生物学基础 ８５ 　　４. ２. ２　ＳＯＦＭ 网的拓扑结构与权值 调整域 ８５ 　　４. ２. ３　自组织特征映射网的运行原理与 学习算法 ８６ 　　４. ２. ４　ＳＯＦＭ 网的设计基础 ９０ 　　４. ２. ５　应用与设计实例 ９２ 　４. ３　学习向量量化神经网络 ９５ 　　４. ３. １　向量量化 ９５ 　　４. ３. ２　ＬＶＱ 网络结构与工作原理 ９６ 　　４. ３. ３　ＬＶＱ 网络的学习算法 ９７ 　４. ４　对偶传播神经网络 ９８ 　　４. ４. １　网络结构与运行原理 ９８ 　　４. ４. ２　ＣＰＮ 的学习算法 ９９ 　　４. ４. ３　改进的ＣＰＮ 网 １００ 　　４. ４. ４　ＣＰＮ 网的应用 １０２ 　４. ５　自适应共振理论网络 １０２ 　　４. ５. １　ＡＲＴⅠ型网络 １０３ 　　４. ５. ２　ＡＲＴⅡ型网络 １１０ 　４. ６　基于ＭＡＴＬＡＢ 的ＳＯＭ 网络聚类 实例 １１４ 　扩展资料 １１７ 　本章小结 １１８ 　习题 １１９ 第５ 章　径向基函数神经网络 １２２ 　５. １　基于径向基函数技术的函数逼近与 内插 １２２ 　　５. １. １　插值问题描述 １２２ 　　５. １. ２　径向基函数技术解决插值问题 １２３ 　　５. １. ３　完全内插存在的问题 １２４ 　５. ２　正则化理论与正则化ＲＢＦ 网络 １２５ 　　５. ２. １　正则化理论 １２５ 　　５. ２. ２　正则化ＲＢＦ 网络 １２６ 　５. ３　模式可分性观点与广义ＲＢＦ 网络 １２７ 　　５. ３. １　模式的可分性 １２７ 　　５. ３. ２　广义ＲＢＦ 网络 １２８ 　５. ４　ＲＢＦ 网络常用学习算法 １２９ 　　５. ４. １　数据中心的聚类算法 １３０ 　　５. ４. ２　数据中心的监督学习算法 １３１ 　５. ５　ＲＢＦ 网络与多层感知器的比较 １３２ 　５. ６　ＲＢＦ 网络的设计与应用实例 １３３ 　　５. ６. １　ＲＢＦ 网络在液化气销售量预测中 的应用 １３３ 　　５. ６. ２　ＲＢＦ 网络在地表水质评价中的 应用 １３３ 　　５. ６. ３　ＲＢＦ 网络在汽油干点软测量中的 应用 １３４ 　５. ７　基于ＭＡＴＬＡＢ 的ＲＢＦ 网络应用 Ⅶ　 实例 １３６ 　扩展资料 １３８ 　本章小结 １３８ 　习题 １３９ 第６ 章　反馈神经网络 １４０ 　６. １　离散型Ｈｏｐｆｉｅｌｄ 神经网络 １４０ 　　６. １. １　网络的结构与工作方式 １４０ 　　６. １. ２　网络的稳定性与吸引子 １４１ 　　６. １. ３　网络的权值设计 １４７ 　　６. １. ４　网络的信息存储容量 １４８ 　６. ２　连续型Ｈｏｐｆｉｅｌｄ 神经网络 １４９ 　　６. ２. １　网络的拓朴结构 １４９ 　　６. ２. ２　能量函数与稳定性分析 １５０ 　６. ３　Ｈｏｐｆｉｅｌｄ 网络应用与设计实例 １５１ 　　６. ３. １　应用ＤＨＮＮ 网解决联想问题 １５１ 　　６. ３. ２　应用ＣＨＮＮ 网解决优化计算 问题 １５２ 　６. ４　双向联想记忆神经网络 １５５ 　　６. ４. １　ＢＡＭ 网结构与原理 １５５ 　　６. ４. ２　能量函数与稳定性 １５６ 　　６. ４. ３　ＢＡＭ 网的权值设计 １５７ 　　６. ４. ４　ＢＡＭ 网的应用 １５８ 　６. ５　随机神经网络 １５９ 　　６. ５. １　模拟退火原理 １６０ 　　６. ５. ２　玻尔兹曼机 １６１ 　扩展资料 １６５ 　本章小结 １６６ 　习题 １６６ 第７ 章　小脑模型神经网络 １６８ 　７. １　ＣＭＡＣ 网络的结构 １６８ 　７. ２　ＣＭＡＣ 网络的工作原理 １６９ 　　７. ２. １　从Ｘ 到Ｍ 的映射 １６９ 　　７. ２. ２　从Ｍ 到Ａ 的映射 １７１ 　　７. ２. ３　从Ａ 到Ａｐ的映射 １７２ 　　７. ２. ４　从Ａｐ到Ｆ 的映射 １７３ 　７. ３　ＣＭＡＣ 网络的学习算法 １７３ 　７. ４　ＣＭＡＣ 网络的应用 １７４ 　扩展资料 １７５ 第８ 章　深度神经网络 １７６ 　８. １　深度神经网络框架 １７７ 　　８. １. １　选择深层模型的原因 １７７ 　　８. １. ２　深度网络的训练算法 １７９ 　　８. １. ３　深度学习的软件工具及平台 １８０ 　８. ２　受限玻尔兹曼机和深度置信网 １８０ 　　８. ２. １　受限玻尔兹曼机的基本结构 １８１ 　　８. ２. ２　受限玻尔兹曼机的能量模型和 似然函数 １８１ 　　８. ２. ３　最优参数的梯度计算 １８２ 　　８. ２. ４　基于对比散度的快速算法 １８４ 　　８. ２. ５　深度置信网络 １８５ 　８. ３　卷积神经网络 １８６ 　　８. ３. １　卷积神经网络基本概念及原理 １８７ 　　８. ３. ２　卷积神经网络完整模型 １８９ 　　８. ３. ３　ＣＮＮ 的学习 １９０ 　　８. ３. ４　ＣＮＮ 应用 １９０ 　８. ４　堆栈式自动编码器 １９２ 　　８. ４. １　自编码算法与稀疏性 １９２ 　　８. ４. ２　栈式自动编码器 １９４ 　　８. ４. ３　栈式自编码网络在手写数字 分类中的应用 １９４ 　扩展资料 １９６ 　本章小结 １９７ 　习题 １９８ 第９ 章　支持向量机 １９９ 　９. １　支持向量机的基本思想 １９９ 　　９. １. １　最优超平面的概念 １９９ 　　９. １. ２　线性可分数据最优超平面的 构建 ２０１ 　　９. １. ３　非线性可分数据最优超平面的 构建 ２０２ 　９. ２　非线性支持向量机 ２０３ 　　９. ２. １　基于内积核的最优超平面 ２０３ 　　９. ２. ２　非线性支持向量机神经网络 ２０５ 　９. ３　支持向量机的学习算法 ２０５ 　９. ４　支持向量机设计应用实例 ２０７ 　　９. ４. １　ＸＯＲ 问题 ２０７ 　　９. ４. ２　人工数据分类 ２１０ 　　９. ４. ３　手写体阿拉伯数字识别 ２１１ 　９. ５　基于ＭＡＴＬＡＢ 的支持向量机分类 ２１２ 　扩展资料 ２１４ 　本章小结 ２１５ 　习题 ２１５ 第１０ 章　遗传算法与神经网络进化 ２１６ 　１０. １　遗传算法的原理与特点 ２１６ 　　１０. １. １　遗传算法的基本原理 ２１６ Ⅷ　 　　１０. １. ２　遗传算法的特点 ２１７ 　１０. ２　遗传算法的基本操作与模式理论 ２１７ 　　１０. ２. １　遗传算法的基本操作 ２１８ 　　１０. ２. ２　遗传算法的模式理论 ２２０ 　１０. ３　遗传算法的实现与改进 ２２３ 　　１０. ３. １　编码问题 ２２３ 　　１０. ３. ２　初始种群的产生 ２２３ 　　１０. ３. ３　适应度的设计 ２２４ 　　１０. ３. ４　遗传算法的操作步骤 ２２５ 　　１０. ３. ５　遗传算法中的参数选择 ２２５ 　　１０. ３. ６　遗传算法的改进 ２２５ 　１０. ４　遗传算法在神经网络设计中的 应用 ２２６ 　　１０. ４. １　遗传算法用于神经网络的 权值优化 ２２７ 　　１０. ４. ２　遗传算法用于神经网络的 结构优化 ２２９ 　本章小结 ２３１ 　习题 ２３２ 第１１ 章　神经网络系统设计与软 硬件实现 ２３３ 　１１. １　神经网络系统总体设计 ２３３ 　　１１. １. １　神经网络的适用范围 ２３３ 　　１１. １. ２　神经网络的设计过程与需求 分析 ２３４ 　　１１. １. ３　神经网络的性能评价 ２３５ 　　１１. １. ４　输入数据的预处理 ２３８ 　１１. ２　神经网络的软件实现 ２３８ 　１１. ３　神经网络的高级开发环境 ２３９ 　　１１. ３. １　神经网络的开发环境及其 特征 ２４０ 　　１１. ３. ２　ＭＡＴＬＡＢ 神经网络工具箱 ２４０ 　　１１. ３. ３　其他神经网络开发环境简介 ２４５ 　１１. ４　神经网络的硬件实现 ２４７ 　　１１. ４. １　概述 ２４７ 　　１１. ４. ２　神经元器件 ２４９ 　　１１. ４. ３　神经网络系统结构 ２５１ 　　１１. ４. ４　神经网络的光学实现 ２５４ 　扩展资料 ２５７ 　本章小结 ２５７ 　习题 ２５７ 第１２ 章　人工神经系统 ２５８ 　１２. １　人工神经系统的基本概念 ２５８ 　　１２. １. １　生物神经系统 ２５８ 　　１２. １. ２　人工神经系统 ２５９ 　１２. ２　人工神经系统的体系结构 ２５９ 　　１２. ２. １　高级中枢神经系统 ２５９ 　　１２. ２. ２　低级中枢神经系统 ２６１ 　　１２. ２. ３　外周神经系统 ２６１ 　１２. ３　人工神经系统的控制特性 ２６２ 　　１２. ３. １　神经快速、分区控制系统 ２６３ 　　１２. ３. ２　体液慢速、分工控制系统 ２６３ 　　１２. ３. ３　人体神经控制系统 ２６３ 　１２. ４　人工神经系统的信息模式 ２６４ 　　１２. ４. １　“数字.模拟” 混合信息模式 ２６４ 　　１２. ４. ２　“串行.并行” 兼容信息模式 ２６５ 　　１２. ４. ３　“集中.分散” 结合信息模式 ２６５ 　１２. ５　人工神经系统的应用示例 ２６６ 　　１２. ５. １　拟人智能综合自动化系统 ２６６ 　　１２. ５. ２　人工鱼的总体技术方案 ２６６ 　本章小结 ２６８ 　习题 ２６８ 参考文献 ２６９