人工神经网络原理

出版者:机械工业

作者:马锐

页数:210

出版时间:2010-9

价格:25.00元

isbn号码:9787111312666

具体描述

《21世纪重点大学规划教材•人工神经网络原理》介绍了人工神经网络的基本理论，系统地阐述了六种典型的人工神经网络模型，即早期的感知机神经网络、自适应线性元件神经网络、误差反向传播神经网络、Hopfield神经网络、B0ltzmann机和自适应共振理论神经网络，以及它们的网络结构、学习算法、工作原理及应用实例，为读者深入了解和研究人工神经网络奠定了基础。

为了满足读者应用人工神经网络解决实际问题的需要，书中还介绍了人工神经网络应用开发设计的全过程，并在附录中给出了BP神经网络实现预测、Hop6eld神经网络实现图像自联想记忆、模拟退火算法实现TSP和ARTI神经网络的源程序，供读者参考。作为扩充知识，书中也简单介绍了人工神经网络的实现，以及人工神经网络技术与传统的基于规则的专家系统和模糊系统的融合。

目录信息

出版说明前言第1章 绪论 1.1 人工神经网络的概念 1.2 人工神经网络的发展历史 1.2.1 兴起时期 1.2.2 萧条时期 1.2.3 兴盛时期 1.2.4 高潮时期 1.3 人工神经网络的特点 1.4 人工神经网络的信息处理能力 1.5 人工神经网络的功能 1.6 人工神经网络的应用 1.7 人工神经网络的主要研究方向 1.8 人工神经网络与人工智能 1.9 人工神经网络与传统计算 1.10 本章小结 1.11习题第2章 人工神经网络基础 2.1 生物神经系统 2.1.1 生物神经元的结构 2.1.2 生物神经元的功能 2.2 人工神经元模型 2.2.1 人工神经元的形式化描述 2.2.2 转移函数 2.3 M—P模型 2.3.1 标准M—P模型 2.3.2 延时M—P模型 2.3.3 改进的M—P模型 2.4 人工神经网络的互连结构 2.5 人工神经网络的学习 2.5.1 人工神经网络的学习方式 2.5.2 基本的神经网络学习规则 2.6 本章小结 2.7 习题第3章 早期的自适应神经网络模型 3.1 感知机 3.1.1 感知机模型结构 3.1.2 感知机处理单元模型 3.1.3 感知机学习算法 3.1.4 感知机的局限性 3.1.5 感知机的收敛性 3.2 自适应线性元件 3.2.1 ADALINE模型结构 3.2.2 ADALINE学习算法 3.3 本章小结 3.4 习题第4章 误差反向传播神经网络 4.1 误差反向传播神经网络的提出 4.2 误差反向传播神经网络结构 4.3 误差反向传播神经网络处理单元模型 4.4 误差反向传播学习算法 4.5 误差反向传播学习算法的数学基础 4.6 误差反向传播学习算法的改进 4.6.1 BP算法存在的问题 4.6.2 累积误差校正算法 4.6.3 Sigmoid函数输出限幅的BP算法 4.6.4 增加动量项的BP算法 4.6.5 学习速率自适应调整算法 4.7 隐含层的特征抽取作用 4.8 误差反向传播神经网络应用实例 4.8.1 BP神经网络的主要能力 4.8.2 BP神经网络在入侵检测中的应用 4.8.3 BP神经网络在股票市场中的应用 4.9 本章小结 4.10 习题第5章 Hopfield神经网络 5.1 离散型Hopfield神经网络 5.I.1 离散型Hopfield神经网络结构 5.1.2 离散型Hopfield神经网络处理单元模型 5.1.3 离散型Hopfield神经网络的状态及运行规则 5.1.4 离散型Hopfield神经网络的能量函数 5.1.5 离散型Hopfield神经网络的连接权值设计 5.1.6 离散型Hopfield神经网络的信息存储容量 5.2 连续型Hopfield神经网络 5.2.1 连续型Hopfield神经网络结构 5.2.2 连续型Hopfield神经网络处理单元模型 5.2.3 连续型Hopfield神经网络的状态 5.2.4 连续型Hopfield神经网络的能量函数 5.3 Hopfield神经网络应用实例 5.3.1 离散型Hopfield神经网络应用实例 5.3.2 连续型Hopfield神经网络应用实例 5.4 本章小结 5.5习题第6章 Boltzmann机 6.1 随机型神经网络的提出 6.2 Boltzmann机的网络结构 6.3 Bohzmann机处理单元模型 6.4 Boltzmann机的能量函数 6.5 Boltzmann机的Bollzmann分布 6.6 Boltzmann机的运行规则 6.6.1 模拟退火算法 6.6.2 网络运行规则 6.7 Boltzmann机的学习规则 6.7.1 自联想记忆的学习规则 6.7.2 互联想记忆的学习规则 6.8 模拟退火算法应用实例 6.9 本章小结 6.10 习题第7章 自适应共振理论神经网络 7.1 自组织神经网络的提出 7.2 竞争学习 7.2.1 竞争学习的概念 7.2.2 竞争学习规则 7.3 自适应共振理论神经网络的提出及特点 7.4 ART1神经网络 7.4.1 ART1神经网络的结构 7.4.2 ART1神经网络处理单元模型 7.4.3 ART1神经网络的学习规则 7.4.4 ART1神经网络特性分析 7.4.5 ART1神经网络应用实例 7.5 ART2神经网络 7.5.1 ART2神经网络的结构 7.5.2 ART2神经网络处理单元模型 7.5.3 ART2神经网络的学习规则 7.5.4 ART2神经网络应用实例 7.6 本章小结 7.7 习题第8章 人工神经网络应用的设计开发 8.1 人工神经网络应用的特点及适用范围 8.2 人工神经网络的设计开发过程 8.3 人工神经网络模型的选取 8.4 人工神经网络模型的设计 8.4.1 节点级设计 8.4.2 网络级设计 8.4.3 训练级设计 8.5 人工神经网络模型的实现 8.5.1 准备样本数据 8.5.2 选取训练样本 8.5.3 网络训练与测试 8.6 本章小结 8.7 习题第9章 人工神经网络的实现 9.1 神经网络实现技术概述 9.1.1 神经网络实现的发展历史 9.1.2 神经网络实现方案的分类 9.2 神经网络的虚拟实现 9.2.1 基于传统计算机的软件模拟 9.2.2 神经网络并行多机系统 9.2.3 神经计算加速器 9.3 神经网络的物理实现 9.3.1 神经网络的VLSI实现 9.3.2 神经网络的光学实现 9.3.3 神经网络的分子实现 9.4 本章小结 9.5 习题第10章 人工神经网络的发展 10.1 神经网络与专家系统 10.1.1 基于规则的专家系统 10.1.2 神经网络与专家系统的比较 10.1.3 神经网络专家系统 10.2 神经网络与模糊系统 10.2.1 模糊系统 10.2.2 神经网络与模糊系统的比较 10.2.3 模糊神经网络 10.3 本章小结附录 附录A 人工神经网络的主要研究工作 附录B BP神经网络实现太阳黑子数量预测源程序 附录C Hopfield神经网络实现图像自联想记忆源程序 附录D 模拟退火算法实现TSP源程序 附录E ARTl神经网络源程序参考文献
· · · · · · (收起)

用户评价

我必须承认，《人工智能原理》这本书的内容，真的超出了我最初的预期！我原以为这会是一本偏向理论、充斥着数学公式和晦涩术语的学术著作，然而事实却完全相反。它以一种极其友好和直观的方式，带领我一步步探索了人工智能的核心奥秘。书中对每一个概念的解释都非常到位，而且配有大量高质量的图示，这些图示不仅仅是装饰，更是帮助理解抽象概念的“神器”。我特别喜欢书中对“学习”过程的阐释，它没有简单地说“模型会学习”，而是细致地讲解了数据输入、权重调整、误差反向传播等关键环节，并且通过不同场景的例子，让我深刻体会到这些步骤的意义。我曾经在学习其他领域时，对“黑箱模型”感到非常困惑，这本书却通过一些可视化工具和模拟，让我对神经网络的内部工作机制有了一个更清晰的认识，不再是“猜猜看”。即使是一些稍显复杂的概念，作者也总能找到最贴切的比喻，让我瞬间茅塞顿开。这绝对是一本能让你“爱上”人工智能的书，强烈推荐给所有对AI感兴趣的朋友。

我最近在读一本关于人工智能的书，这本书的内容，彻底改变了我过去对这个领域的刻板印象。我一直以为人工智能是个非常遥远、非常高深的概念，只有计算机科学的专业人士才能真正理解。但这本书，它就像一位耐心的老师，用非常平实易懂的语言，把我带入了人工智能的世界。它没有上来就讲那些复杂的算法，而是先从“是什么”和“为什么”入手，让我明白人工智能的起源和发展的意义。然后，它开始讲解最基本的人工神经网络模型，那些曾经让我望而生畏的“神经元”、“层”、“激活函数”等等，在书里都变得异常鲜活。它用了很多生活中的例子来类比，比如如何教小孩认识东西，如何做决策，这些都让我觉得神经网络的原理其实并不遥远。更重要的是，这本书的结构非常合理，每一章的知识点都承接得很好，让我感觉自己是踏踏实实地在进步，而不是在原地打转。它还引导我思考，人工智能在未来可能带来的影响，这让我对这个技术有了更宏观的认识。

这本书简直颠覆了我对“简单”的认知！之前总觉得神经网络听起来高大上，要学的东西估计会让人头秃，但《人工智能原理》这本书，从最基础的概念入手，就像剥洋葱一样，一层一层地把复杂的问题变得清晰明了。它并没有直接抛出大量的公式和算法，而是通过生动的比喻和循序渐进的讲解，让我这个完全的初学者也能跟上思路。举个例子，书中在讲到神经元的工作原理时，用了“信息汇聚与决策”这样一个非常形象的比喻，让我一下子就抓住了核心。而且，它还穿插了很多实际应用的案例，比如识别猫狗图片，训练一个简单的游戏AI等等，这些都让我觉得神经网络不再是冰冷的理论，而是充满无限可能的技术。最让我惊喜的是，它在讲解过程中，还会适时地提出一些思考题，引导读者主动去探索和理解，而不是被动接受。这种互动式的学习体验，让我在阅读的过程中充满了成就感，也激发了我进一步深入学习的动力。我之前买过几本机器学习的书，但都因为晦涩难懂而半途而废，这本书绝对是我的“救星”！

我最近在深入研究人工智能的领域，而《人工智能原理》这本书，无疑是我在这个探索过程中遇到的一个极大的亮点。它不仅仅是一本传授知识的书，更像是一次精心设计的思想之旅。作者在书中巧妙地将抽象的数学概念与直观的图示相结合，使得原本复杂难懂的原理变得触手可及。我尤其欣赏它在讲解如何让机器“感知”和“理解”世界的那部分内容，通过对不同传感器输入和信息处理方式的详细阐述，我仿佛能看到人工智能如何一步步地建立起对外部世界的认知。书中还涉及了一些关于“学习”的哲学思考，比如机器的学习和人类的学习有什么异同，这让我对人工智能的本质有了更深的理解。它并没有止步于介绍现有的技术，而是鼓励读者去思考人工智能的未来发展方向和潜在挑战，这种前瞻性的视角，让我受益匪浅。这本书的语言风格也非常独特，既有学术的严谨，又不失人文的关怀，让我觉得在学习技术的同时，也在进行一次思想的升华。

说实话，我拿到《人工智能原理》这本书的时候，并没有抱太大的期望，我只是觉得它可能能给我提供一些基础的背景知识。但这本书的阅读体验，简直是让我惊喜连连！它完全没有像我预想的那样，是一本枯燥的教科书。相反，作者以一种非常引人入胜的叙事方式，把人工智能的原理讲得生动有趣。我特别喜欢书中关于“模型训练”的章节，它没有仅仅列出公式，而是通过模拟训练的过程，让我亲眼看到一个模型是如何从“笨拙”变得“聪明”起来的，就像看着一个孩子在学习和成长一样。它还深入浅出地讲解了各种不同的网络结构，并且清晰地阐述了它们各自的优缺点，这对于我理解不同应用场景下为什么会选择特定的模型非常有帮助。最让我感动的是，书中在介绍一些前沿技术的时候，并没有显得过于技术化，而是注重于其背后的思想和逻辑，这让我能够更好地把握人工智能发展的脉络。总而言之，这本书不仅仅是一本知识的书，更是一本能激发你探索欲的书。

基本的知识都有涉及到！

基本的知识都有涉及到！

基本的知识都有涉及到！

基本的知识都有涉及到！

基本的知识都有涉及到！