| |
|
|
| 前言 一 引论 1.1 智能与思维科学 1.2 人工智能 1.3 人工神经网络概述 二 基础知识 2.1 人脑神经系统的构成 2.2 人脑神经细胞工作概况 2.3 人工神经网络的构思 2.4 系统的稳定性 2.5 混沌与神经网络 三 神经元模型 3.1 神经元的通用功能模型 3.2 简单线性神经元 3.3 位势神经元 3.4 逻辑神经元 3.5 势态神经元 3.6 其他神经元 四 联接方式 4.1 分层神经元网的一般结构 4.2 联接矩阵图 4.3 神经元网络的多层组织 五 训练和学习 5.1 乘积学习规则 5.2 关联学习 5.3 线性元网络的差值则训练法 5.4 准线性元网络的差值规则 5.5 随机训练 六 前馈网络 6.1 感知器 6.2 多层感知器 6.3 径向基函数网络 6.4 前馈网络与其他模式分类器 七 动态网络 7.1 延时网络 7.2 双向联想存储 7.3 Hopfield网络 7.4 递归网络 7.5 Bolzmann机 八 竞争网络 8.1 汉明网 8.2 自组织特征映射 8.3 适应谐振网-ART1 8.4 自适应谐振网-ART2 九 模糊自适应网 9.1 模糊自适应谐振网 9.2 模糊极小-极大网 9.3 一般模糊极小-极大网 9.4 模糊格神经网络 9.5 递归自组织模糊推理网络 十 统计学习理论 10.1 学习理论的背景 10.2 学习过程一致性理论 10.3 学习过程收敛率的界限 10.4 控制学习机泛化性能的理论 10.5 构造学习算法的理论 10.6 结论 参考文献 |
内容加载中，请稍后...
商品评论（0条）