| 作 者： | 罗四维 |
| 出版社： | 北方交通大学出版社 |
| 丛编项： | 高等学校教材 |
| 版权说明： | 本书为出版图书，暂不支持在线阅读，请支持正版图书 |
| 标 签： | 神经计算 |
| ISBN | 出版时间 | 包装 | 开本 | 页数 | 字数 |
|---|---|---|---|---|---|
| 未知 | 暂无 | 暂无 | 未知 | 0 | 暂无 |
第1章 绪论
1. 1 人工神经网络介绍
1. 1. 1 人工神经网络的概述和发展史
1. 1. 2 神经元的形式化描述和人工神经网络模型
1. 2 人工神经网络的发展趋势
1. 2. 1 生物智能的启发
1. 2. 2 泛化能力
1. 2. 3 人工神经网络的发展趋势
1. 3 神经场学习理论
1. 3. 1 神经场理论的目的和意义
1. 3. 2 神经场理论的研究现状
1. 4 知识可增殖人工神经网络
参考文献
第2章 系统熵
2. 1 信息论的原理
2. 1. 1 熵
2. 1. 2 联合熵与条件熵
2. 1. 3 相对熵
2. 1. 4 互信息
2. 1. 5 微分熵
2. 1. 6 随机变量序列下的链式规则
2. 1. 7 信息论中的一些基本不等式
2. 2 系统熵
2. 2. 1 最大熵原理
2. 2. 2 最小相对信息原理
2. 2. 3 最小平均能量原理
2. 2. 4 有序和无序平衡原理
2. 2. 5 系统平衡态的熵
2. 2. 6 平衡状态的平均能量
2. 2. 7 最大熵分布
参考文献
第3章 神经场研究的数学基础
3. 1 微分流形的基本概念
3. 1. 1 微分流形
3. 1. 2 切向量和切向量空间
3. 1. 3 Riemannian流形与仿射联络
3. 1. 4 子流形
3. 2 信息几何理论
3. 2. 1 对偶平坦流形
3. 2. 2 统计模型流形的几何结构
3. 2. 3 指数流形上的几何
3. 3 流形上的拓扑结构分析理论
参考文献
第4章 传统学习算法
4. 1 感知器算法
4. 1. 1 感知器基本性质
4. 1. 2 感知器梯度算法
4. 1. 3 感知器算法的收敛性
4. 1. 4 线性阈值部件感知器
4. 2 误差反传递算法
4. 2. 1 两层网的缺点
4. 2. 2 扩展误差 △ 规则
4. 2. 3 模拟结果
4. 3 竞争学习算法
4. 3. 1 竞争学习
4. 3. 2 形式分析
4. 3. 3 实验结果
4. 4 Hopfield模型
4. 4. 1 Ising模型
4. 4. 2 平均场近似模型
4. 4. 3 Hopfield模型
4. 4. 4 Hopfidd权值公式证明
4. 4. 5 连续Hopfield网络模型
4. 4. 6 Hopfidd网络的应用
4. 5 径向基神经网络算法
4. 5. 1 RBF的介绍
4. 5. 2 径向基函数网络介绍
4. 5. 3 RBF网络训练的准则和常用算法
4. 5. 4 RBF网络的交替梯度算法
4. 5. 5 一维梯度算法
4. 5. 6 在线自然交替梯度算法
4. 5. 7 共轭梯度算法
4. 6 本章相关知识
参考文献
第5章 概率网络模型
5. 1 网络
5. 2 玻耳兹曼机器
5. 2. 1 玻耳兹曼机器的相关理论
5. 2. 2 玻耳兹曼机器
5. 3 玻耳兹曼机器的互信息最大化原则
5. 4 玻耳兹曼机器的冗余度最小化和信息最大化
5. 5 EM算法
5. 5. 1 分层前馈网络的概率模型
5. 5. 2 EM算法的基本思想
5. 5. 3 EM算法的具体步骤
5. 5. 4 编程公式推导
5. 6 本章相关知识
参考文献
第6章 神经网络的指数簇表示
6. 1 神经网络的表示与学习
6. 1. 1 前馈网络的变换机理
6. 1. 2 反馈网络模型动力学系统模型
6. 1. 3 自组织神经网络结构的竞争特性和机理
6. 1. 4 神经网络的统计模型表示
6. 2 人工神经网络系统的流形表示
6. 2. 1 指数簇流形与人工神经网络
6. 2. 2 弯曲指数簇流形与人工神经网络
6. 3 神经场学习理论
6. 3. 1 神经场表示
6. 3. 2 神经场学习模型的形式化表示
6. 3. 3 神经场学习理论的几何观点
6. 3. 4 神经场学习算法
参考文献
第7章 增殖神经网络
7. 1 增殖性问题
7. 1. 1 增殖性研究
7. 1. 2 神经网络集成
7. 1. 3 增量学习
7. 2 神经场增殖性研究的可行性理论分析
7. 2. 1 神经场结构描述空间
7. 2. 2 神经场复杂结构可分解机理
7. 3 基于结构的神经场学习逼近理论
7. 3. 1 功能模块化的结构表示机理
7. 3. 2 知识增殖学习的结构表示机理
7. 4 复形
参考文献
第8章 层次化混合模型的知识增殖性
8. 1 混合专家模型
8. 1. 1 混合专家模型的结构
8. 1. 2 混合模型结构的流形编码表示
8. 2 分层混合神经网络 HME 模型
8. 2. 1 工作原理
8. 2. 2 HME模型的EM学习算法
8. 2. 3 改进的EM学习算法
8. 3 HME模型增殖性分析
8. 4 动态多叉树算法
8. 4. 1 算法原理
8. 4. 2 算法实现
8. 4. 3 系统扩展实现
8. 4. 4 算法分析与比较
参考文献
