人工神经网络导论 (2010 年度畅销榜NO.10789 )

本书较系统地介绍了人工神经网络的基本理论和方法，全书共10章，可分为四大部分：第一部分包括第一章至第二章，叙述了学习人工神经网络应该具备的基础知识，内容有大脑神经系统的构成、脑神经细胞工作概况、人工神经网络的构思、动力系统稳定性以及混沌；第二部分包括第三章至第五章，论述了人工神经网络的三要素，即人工神经元模型、人工神经元的联接方式、人工神经网络的训练与学习；第三部分包括第六章至第九章，着重讨论了四大类网络，即前馈网络、动态网络、竞争网络及模糊网络，第一大类中包含若干具体网络模型；第四部分为第十章，讨论了统计学习理论，支撑向量机作为其特例。\r\n 本书在强调基础理论和系统性的同时，着重反映人工神经网络研究领域的最新研究成果，适合作为高等院校自动控制、电子技术、信息技术、计算机、系统工程等专业的研究生教材，亦可供有关科技人员参考。 \r\n

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

国内已经有一些关于人工神经网络的专著和教材，但由于该学科是一门迅速发展的新兴学科，科研与教学两方面的积累还不够，所以，要找一本既循序渐进、适合初学者，又有相当深度、能反映国际前沿动态的书，还是十分困难的。有鉴于此，作者在多年教学的基础上，吸收国内外最新研究成果，并结合自己的研究和教学实践编写成本书，希望它能够对从事该学科学习与研究的人有所帮助。 作者从事人工神经网络教学与研究多年，深知该学科研究与教学的艰难。究其原因，不外乎两方面：一方面是由于人工神经网络是一门涉及面宽、综合性强的学科，涉及到数学、计算机、思维科学、神经生理学、心理学、模式识别、混沌动力学等众多学科；另一方面是由于它还处于迅速发展之中，新思想、新理论、新方法不断涌现，每月都有大批研究成果发表，不断充实着它的内容，尚未形成完整、成熟的理论体系。鉴于这种情况，本书在材料取舍、内容组织和叙述行文等方面力求做到： 系统性：系统地介绍人工神经网络的基本思想、理论和方法。 新颖性：适当介绍国内外的最新研究成果，使读者能掌握当前提出的新理论、新方法，跟踪各研究领域的发展动态。 实用性：在理论探讨的同时，注意理论的应用，尤其对模式识别方面的应用给予了足够的重视。作为硕士研究生教材使用时，要求学生对重要网络能用MATLAB语言模拟实现，经验表明，这种办法能使学生迅速而牢固地掌握本学科的基本内容。 层次性：为了适应不同要求读者的需要，本书内容分成三级。凡目录中不打星号的章节为第一级，属于本学科最基本、也是必须掌握的内容，适合于初学者。考虑到各学校研究生课程教学时数有限，控制这部分内容在40学时可以授完。凡目录中打单星号的章节为第二级，适合于以人工神经网络应用为目的的读者。凡目录中打双星号的章节为第三级，适合于以人工神经网络理论研究为目的的读者。 可读性：由于人工神经网络涉及面甚宽，学习起来有一定难度，本书首先对有关预备性知识进行了简要介绍，作为后继学习内容必不可少的铺垫；在内容安排上努力做到由浅入深、前后呼应：在文字表达上力求通俗易懂，对抽象概念与原理，只要有可能，尽量用实例给以说明。 本书可作为硕士研究生人工神经网络的教科书，也可作为对人工神经网络感兴趣的科技人员的参考书。 全书共分10章。第1章是引论，从智能与思维科学、人工智能的角度，对人工神经网络进行了概述。第2章是学习人工神经网络应该具备的一些基础知识，包括脑神经系统的构成、脑神经细胞工作概况、人工神经网络的构思、动力系统稳定性以及混沌理论。第3章～第5章介绍人工神经网络的最基本知识。其中第3章为神经元模型，包括神经元的通用功能模型、简单线性神经元、位势神经元、逻辑神经元、势态神经元以及其他神经元模型。第4章介绍网络中人工神经元的联接方式，包括分层神经网络的一般结构和联接矩阵图、神经元网络的多层组织。第5章介绍人工神经网络的训练与学习，包括乘积学习规则、关联学习、线性元网络的差值规则训练法、准线性元网的差值规则以及随机训练。第6章～第9章叙述四大类网络。第6章为前馈网络，包括感知器、多层感知器和径向基函数网络前馈网络与其他模式分类器。第7章为动态网络，包括延时网络、双向联想存储网络、Hopfield网、递归网络以及Bolzmann机。第8章叙述竞争网络，包括汉明网、自组织特征映射、自适应谐振网(ARTl)以及自适应谐振网(ART2)。第9章叙述模糊网络，包括模糊自适应谐振网(FuzzyART)、模糊极小一极大网、一般模糊极小一极大(GFMM)网络、模糊格神经网络(FLNN)和递归自组织模糊推理网络(RSONFIN)。第10章叙述了人工神经网络的统计学习理论，包括学习过程一致性理论、学习过程收敛率的界限、控制学习机泛化性能的理论、构造性学习算法的理论、结论。 2000级硕士研究生马建国、2001级研究生陈志刚为本书绘制和处理了大部分图形图像，宋胜峰、段力同志为书稿格式进行了认真的整理，刘艺、尹迪同志为本书的出版进行了大量的工作，在此表示衷心感谢。 限于作者水平，书中漏误之处恐不在少数，诚请读者批评指正。