神经网络原理（原书第2版） (2008 年度畅销榜NO.1569 )

神经网络是计算智能和机器学习研究的最活跃的分支之一。本书全面系统地介绍神经网 络的基本概念、系统理论和实际应用。 \r\n　　本书包含四个组成部分：导论，监督学习，无监督学习，神经网络动力学模型。导论部 分介绍神经元模型、神经网络结构和机器学习的基本概念和理论。监督学习讨论感知机学习 规则，有监督的Hebb学习，Widrow-Hoff学习算法，反向传播算法及其变形，RBF网络，正则 化网络，支持向量机以及委员会机器。无监督学习包括主分量分析，自组织特征映射模型的 竞争学习形式，无监督学习的信息理论，植根于统计力学的随机学习机器，最后是与动态规 划相关的增强式学习。神经网络动力学模型研究由短期记忆和分层前馈网络构成的动态系统， 反馈非线性动态系统的稳定性和联想记忆，以及另一类非线性动态驱动的递归网络系统。 \r\n　　本书注重对数学分析方法和性能优化的讨论，强调神经网络在模式识别、信号处理和控制 系统等实际工程问题中的应用。书中包含大量例题和习题，并配有13个基于MATLAB软件的计算 机实验程序。 \r\n　　本书适于作研究生或大学高年级学生的教材，也可作希望深入学习神经网络的科技人员的 参考书。

出版者的话\r\n专家指导委员会\r\n译者序\r\n前言\r\n缩写和符号\r\n第1章 导言\r\n第2章 学习过程\r\n第3章 单层感知器\r\n第4章 多层感知器\r\n第5章 径向基函数网络\r\n第6章 支持向量机\r\n第7章 委员会机器\r\n第8章 主分量分析\r\n第9章 自组织映射\r\n第10章 信息论模型\r\n第11章 植根于统计力学的随机机器和它们的逼近\r\n第12章 神经动态规划\r\n第13章 使用前馈网络的时序处理\r\n第14章 神经动力学\r\n第15章 动态驱动的递归网络\r\n后记\r\n参考文献\r\n索引

Simon Haykin是加拿大McMaster大学教授，创办了通信研究实验室，并长期担任主任。他是国际电子电气工程界的著名学者，于1953年获得英国伯明翰大学博士学位。曾获得IEEE McNaughton金奖。他是加拿大皇家学会院士，IEEE会士，在神经网络、通信、自适应滤波器等领域成果颇丰，著有多种标准教材。

神经网络，或者更精确地说人工神经网络，是一种植根于许多学科的技术，其中涉及神经科学、数学、统计学、物理学、计算机科学和工程学。神经网络具有的一个重要性质，即在有教师或无教师的情况下能够从输人数据中进行学习的能力，这使得它在不同领域中得到应用，如建模、时间序列分析、模式识别、信号处理和控制。 由于神经网络具有多学科性，本书对该主题进行了综合论述，并给出了大量例子、基于计算机的实验、习题以及参考文献进行补充分析。 本书由四部分组成，组织如下： 1．介绍材料，由第1章和第2章组成。第1章大体上定性描述什么是神经网络，它们的性质、组成及其怎样和人工智能相联系。这章以一些历史注释结束。第2章提供学习过程的许多侧面的概述及其统计性质。该章引进了一个重要概念，即Vapnik-Chervonenkis(VC)维数，用于度量学习机器所实现的一簇分类函数的容量。 2．有教师学习机器，由第3章至第7章组成。第3章研究这部分中最简单的神经网络：涉及一个或多个输出神经元但无隐藏神经元的网络。该章描述最小均方(LMS)算法(在设计线性自适应滤波器时非常流行)和感知器收敛定理。第4章给出利用反向传播算法训练的多层感知器的完全处理。这个算法(代表LMS算法的一种推广)已经作为神经网络的推进器而出现。第5章给出另一类分层神经网络即径向基函数网络详细的数学处理，它们的构成包括一层基函数。这一章强调在设计RBF网络中正则化理论的作用。第6章描述一类比较新的学习机器，即支持向量机，它的理论建立在第2章给出的统计学习理论的材料上。本书第二部分以第7章结束，讨论委员会机器，它的构成包括几个学习者作为组成部分。在这一章我们描述总体平均，推举和分层混合专家三种不同的构建委员会机器的方法。 3．无教师学习机器，由第8章至第12章组成。第8章把Hebb学习应用到主分量分析。第9章把自组织学习的另一形式，也就是竞争学习，应用于构造以自组织映射著称的计算映射。这两章突出强调学习规则根植于神经生物学。第10章注意于设计无监督学习算法的信息理论，强调它们在建模、图像处理和独立分量分析中的应用。第11章描述植根于和信息理论有密切关系的统计力学的自监督学习机器。第12章，介绍动态规划和它与增强式学习的关系。 4．非线性动态系统，由第13章至15章组成。第13章描述一类由短期记忆和分层前馈网络结构组成的动态系统。第14章强调涉及使用反馈的非线性动态系统所引起的稳定性问题。该章还讨论联想记忆的例子。第15章描述另一类非线性动态系统，即递归网络，它依赖于使用反馈完成输入—输出映射。 本书后记简要描述神经网络在构造用于模式识别、控制和信号处理的智能机器时所起的作用。 本书的组织在神经网络研究生课程的使用上给予了很大灵活性，教师可根据需要灵活选择讲课内容。全书中总共包括15个基于计算机的实验，其中有13个实验需使用MATLAB。MATLAB实验的文件可直接从以下网站下载： ftp://ftp.mathworks.com/pub/books/haykin http://www.mathworks.com/books/ 每章后都附有练习题。许多习题具有挑战性，不仅能检查本书的使用者对本书所包含的资料掌握的程度，而且扩充了这些资料。 工程师、计算机科学家和物理学家也会从本书获益。希望本书对其他学样，如心理学和神经科学的研究人员，也会有所帮助。