第1章緒論1
1.1神經網絡的發展與應用1
1.2人工神經元模型2
1.3用有嚮圖錶示神經網絡4
1.4網絡結構及工作方式5
1.5NN的學習7
1.5.1學習方式7
1.5.2學習算法7
1.5.3學習與自適應9
習題9
參考文獻10
第2章前饋網絡11
2.1綫性閾值單元11
2.1.1用綫性閾值單元實現布爾函數11
2.1.2綫性可分性12
2.1.3n維歐氏空間中m個點上可實現的綫性可分函數的個數13
2.2多層前饋網絡的計算能力及函數逼近15
2.3感知器的學習算法17
2.4反嚮傳播學習算法19
2.5改進反嚮傳播算法收斂速度的措施26
2.5.1加入動量項26
2.5.2高階導數的利用27
2.5.3共軛梯度法27
2.5.4遞推最小二乘法28
2.5.5神經元空間搜索法28
2.5.6一些其他措施30
2.6多層前饋網絡作用的分析31
2.6.1綫性網絡32
2.6.2非綫性情況33
2.7應用舉例34
習題45
參考文獻48
第3章徑嚮基函數網絡51
3.1φ可分性51
3.2函數逼近與內插52
3.3正規化理論53
3.4RBF網絡的學習60
3.5RBF網絡的一些變形63
3.6CMAC網絡64
3.6.1模型結構64
3.6.2工作原理分析66
3.6.3學習算法69
3.7概率神經網絡70
3.8小波網絡71
3.9泛函連接網絡72
3.10新一代神經元模型及其計算能力的研究74
3.10.1布爾函數的計算75
3.10.2連續輸入的情況75
· · · · · · (收起)