人工神經網絡：模型、算法及應用

第1章 緒論
1.1 什麼是人工神經網路
1.2 發展歷史
1.3 人腦
1.4 Hebb法則
1.5 神經元模型
1.6 神經網路的拓撲結構
1.7 知識表示
1.8 神經網路的學習演算法
1.9 神經網路的學習任務
1.10 小結
參考文獻

第2章 感知機
2.1 引言
2.2 實例引入
2.3 Rosenblatt感知機
2.3.1 感知機的結構
2.3.2 單層感知機與多層感知機
2.3.3 感知機的學習
2.4 最小均方誤差
2.4.1 線性回歸問題引入
2.4.2 最小均方演算法
2.5 實戰Iris模式分類
2.6 小結
參考文獻
習題

第3章 多層前饋神經網路
3.1 引言
3.2 多層前饋神經網路模型結構
3.3 BP神經網路
3.3.1 BP神經網路的介紹
3.3.2 BP演算法
3.3.3 程式設計實戰
3.4 RBF神經網路
3.4.1 什麼是RBF神經網路
3.4.2 RBF神經網路的學習過程
3.4.3 RBF神經網路與BP神經網路的區別
3.5 泛化能力
3.5.1 什麼是泛化
3.5.2 如何提高泛化能力
3.6 函數逼近
3.6.1 通用逼近定理
3.6.2 逼近誤差的邊界
3.6.3 維數災難
3.7 BP演算法的優點和缺點
3.7.1 BP演算法的優點
3.7.2 BP演算法的缺點
3.8 人臉識別應用
3.8.1 人臉圖像的小波變換
3.8.2 BP神經網路的分類識別
3.8.3 RBF神經網路的分類識別
3.8.4 實驗結果
3.9 小結
參考文獻
習題
第4章 正則化理論
4.1 引言
……
第5章 極限學習機模型及應用
第6章 形態神經網路
第7章 自組織映射
第8章 卷積神經網路模型及應用
第9章 生成對抗網路模型
第10章 長短時記憶網路
第11章 模糊神經網路