漂亮人妇中出中文字幕在线,久久国产精品免费视频

本書精選了人工神經(jīng)網(wǎng)絡(luò)的經(jīng)典內(nèi)容，主要闡述人工神經(jīng)網(wǎng)絡(luò)的一般原理和基本思想，并在此基礎(chǔ)上突出了人工神經(jīng)網(wǎng)絡(luò)在自動(dòng)控制和模式識(shí)別中的應(yīng)用。篇章安排上注意了先理論后實(shí)踐，全書共11章。第1-2章主要介紹了人工神經(jīng)網(wǎng)絡(luò)與人工智能的關(guān)系、人工神經(jīng)網(wǎng)絡(luò)的研究的基本情況與人工神經(jīng)網(wǎng)絡(luò)的基本原理等內(nèi)容。第3-9章分別介紹了感知器、BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、反饋式人工神經(jīng)網(wǎng)絡(luò)、自組織競爭人工神經(jīng)網(wǎng)絡(luò)、CMAC神經(jīng)網(wǎng)絡(luò)與模糊神經(jīng)網(wǎng)絡(luò)等內(nèi)容。第10章對(duì)神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法進(jìn)行了討論，第11張簡要介紹了神經(jīng)網(wǎng)絡(luò)在自動(dòng)控制中的應(yīng)用。

第一章緒論 1 1.1 人類的智能與思維 1 1.1.1 智能 1 1.1.2 思維 2 1.2 人工智能 3 1.2.1 人工智能的主流學(xué)派 3 1.2.2 機(jī)制主義方法與人工智能統(tǒng)一 4 1.2.3 人工智能的研究內(nèi)容 4 1.3 人腦與“電腦”的信息處理機(jī)制 5 1.4 人工神經(jīng)網(wǎng)絡(luò)的研究溯源 5 1.5 人工神經(jīng)網(wǎng)絡(luò)的分類 8 1.6 人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 8 1.7 人工神經(jīng)網(wǎng)絡(luò)的功能 9 1.8 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用 10 思考題 11第二章人工神經(jīng)網(wǎng)絡(luò)的基本原理 12 2.1 生物神經(jīng)網(wǎng)絡(luò) 12 2.1.1 生物神經(jīng)元的結(jié)構(gòu) 12 2.1.2 生物神經(jīng)元的信息處理機(jī)理 13 2.1.3 生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 15 2.1.4 生物神經(jīng)網(wǎng)絡(luò)的信息處理 16 2.2 人工神經(jīng)元的數(shù)學(xué)建模 17 2.2.1 MP模型 17 2.2.2 常用的神經(jīng)元數(shù)學(xué)模型 19 2.3 人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)建模 22 2.3.1 網(wǎng)絡(luò)拓?fù)漕愋? 22 2.3.2 網(wǎng)絡(luò)信息流向類型 23 2.3.3 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的特點(diǎn) 24 2.4 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí) 24 思考題 26第三章感知器 27 3.1 感知器的結(jié)構(gòu)與功能 27 3.1.1 單層感知器的網(wǎng)絡(luò)結(jié)構(gòu) 27 3.1.2 單層感知器的功能分析 28 3.2 感知器的學(xué)習(xí)算法 32 3.3 感知器的局限性與改進(jìn)方式 34 3.4 多層感知器 35 3.5 感知器神經(jīng)網(wǎng)絡(luò)的MATLAB仿真實(shí)例 37 3.5.1 常用的感知器神經(jīng)網(wǎng)絡(luò)函數(shù) 37 3.5.2 仿真實(shí)例 39 思考題 43
第四章 BP神經(jīng)網(wǎng)絡(luò) 44 4.1 BP網(wǎng)絡(luò)的模型 44 4.2 BP網(wǎng)絡(luò)的學(xué)習(xí)算法 45 4.2.1 BP算法推導(dǎo) 45 4.2.2 BP算法的程序?qū)崿F(xiàn) 47 4.3 BP網(wǎng)絡(luò)的功能與數(shù)學(xué)本質(zhì) 49 4.3.1 BP神經(jīng)網(wǎng)絡(luò)的功能特點(diǎn) 49 4.3.2 BP神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)本質(zhì) 50 4.4 BP網(wǎng)絡(luò)的問題與改進(jìn) 50 4.4.1 BP神經(jīng)網(wǎng)絡(luò)存在的缺陷與原因分析 50 4.4.2 傳統(tǒng)BP算法的改進(jìn)與優(yōu)化 51 4.4.3 深度神經(jīng)網(wǎng)絡(luò) 53 4.5 BP網(wǎng)絡(luò)的設(shè)計(jì) 54 4.5.1 輸入/輸出變量的確定與訓(xùn)練樣本集的準(zhǔn)備 54 4.5.2 BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) 56 4.5.3 網(wǎng)絡(luò)訓(xùn)練與測試 57 4.6 BP網(wǎng)絡(luò)的MATLAB仿真實(shí)例 58 4.6.1 BP神經(jīng)網(wǎng)絡(luò)的MATLAB工具箱 58 4.6.2 BP網(wǎng)絡(luò)仿真實(shí)例 59 4.7 基于BP算法的一級(jí)倒立擺神經(jīng)網(wǎng)絡(luò)控制 64 4.7.1 倒立擺系統(tǒng) 64 4.7.2 仿真模型的建立 65 4.7.3 BP神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計(jì) 65 4.7.4 神經(jīng)網(wǎng)絡(luò)控制器控制仿真實(shí)驗(yàn) 68 4.7.5 神經(jīng)網(wǎng)絡(luò)實(shí)物控制實(shí)驗(yàn) 69 思考題 70第五章徑向基神經(jīng)網(wǎng)絡(luò) 71 5.1 徑向基網(wǎng)絡(luò)的模型 71 5.1.1 正規(guī)化RBF網(wǎng)絡(luò) 71 5.1.2 廣義RBF網(wǎng)絡(luò) 73 5.1.3 RBF網(wǎng)絡(luò)的生理學(xué)基礎(chǔ) 73 5.1.4 RBF網(wǎng)絡(luò)的數(shù)學(xué)基礎(chǔ) 74 5.1.5 函數(shù)逼近與模式分類問題舉例 76 5.2 徑向基網(wǎng)絡(luò)的學(xué)習(xí)算法 79 5.2.1 數(shù)據(jù)中心的確定 79 5.2.2 擴(kuò)展常數(shù)的確定 80 5.2.3 輸出權(quán)向量的確定 80 5.2.4 梯度下降法同時(shí)獲取數(shù)據(jù)中心、擴(kuò)展系數(shù)與權(quán)向量 81 5.3 徑向基網(wǎng)絡(luò)的特性分析 82 5.3.1 RBF神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 82 5.3.2 RBF神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的比較 82 5.3.3 RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用的關(guān)鍵問題 82 5.4 其他徑向基網(wǎng)絡(luò) 83 5.4.1 廣義回歸神經(jīng)網(wǎng)絡(luò) 83 5.4.2 概率神經(jīng)網(wǎng)絡(luò) 85 5.5 徑向基網(wǎng)絡(luò)的MATLAB仿真實(shí)例 87 5.5.1 RBF網(wǎng)絡(luò)的MATLAB工具箱 87 5.5.2 仿真實(shí)例 88 思考題 91第六章反饋式神經(jīng)網(wǎng)絡(luò) 92 6.1 Elman神經(jīng)網(wǎng)絡(luò) 92 6.1.1 Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 92 6.1.2 Elman神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法 93 6.1.3 Elman神經(jīng)網(wǎng)絡(luò)的應(yīng)用 94 6.2 離散Hopfield神經(jīng)網(wǎng)絡(luò) 94 6.2.1 離散Hopfield神經(jīng)網(wǎng)絡(luò)的模型 94 6.2.2 離散Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)行規(guī)則 95 6.2.3 離散Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)行過程 95 6.3 連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò) 100 6.3.1 連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型 100 6.3.2 連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析 102 6.4 Hopfield神經(jīng)網(wǎng)絡(luò)的應(yīng)用 102 6.4.1 聯(lián)想記憶 103 6.4.2 優(yōu)化計(jì)算 104 6.5 反饋神經(jīng)網(wǎng)絡(luò)的MATLAB仿真實(shí)例 104 6.5.1 Elman神經(jīng)網(wǎng)絡(luò)的MATLAB實(shí)現(xiàn) 104 6.5.2 Hopfield神經(jīng)網(wǎng)絡(luò)的MATLAB實(shí)現(xiàn) 106 思考題 108第七章自組織競爭神經(jīng)網(wǎng)絡(luò) 110 7.1 模式分類的基本概念 110 7.1.1 分類與聚類 110 7.1.2 相似性測量 110 7.2 基本競爭型神經(jīng)網(wǎng)絡(luò) 111 7.2.1 基本競爭型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 111 7.2.2 競爭學(xué)習(xí)策略 112 7.2.3 特性分析 117 7.3 自組織特征映射神經(jīng)網(wǎng)絡(luò) 117 7.3.1 SOM網(wǎng)的拓?fù)浣Y(jié)構(gòu) 117 7.3.2 SOM網(wǎng)的工作原理 117 7.3.3 SOM網(wǎng)的學(xué)習(xí)算法 118 7.3.4 SOM網(wǎng)的功能應(yīng)用 121 7.4 自適應(yīng)共振理論(ART) 神經(jīng)網(wǎng)絡(luò) 122 7.4.1 ART模型 122 7.4.2 ART算法原理 123 7.5 學(xué)習(xí)向量量化（LVQ）神經(jīng)網(wǎng)絡(luò) 124 7.5.1 LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 124 7.5.2 LVQ神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 124 7.6 對(duì)偶網(wǎng)絡(luò)（CPN）神經(jīng)網(wǎng)絡(luò) 125 7.6.1 CPN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 125 7.6.2 CPN神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 125 7.7 自組織競爭網(wǎng)絡(luò)的MATLAB仿真實(shí)例 126 7.7.1 重要的自組織網(wǎng)絡(luò)函數(shù) 126 7.7.2 自組織網(wǎng)絡(luò)應(yīng)用舉例 128 思考題 132第八章 CMAC網(wǎng)絡(luò) 133 8.1 CMAC網(wǎng)絡(luò)工作原理 133 8.1.1 CMAC網(wǎng)絡(luò)的生理學(xué)基礎(chǔ) 133 8.1.2 CMAC網(wǎng)絡(luò)的基本思想 133 8.2 CMAC模型結(jié)構(gòu) 134 8.3 CMAC學(xué)習(xí)算法 135 8.4 CMAC網(wǎng)絡(luò)的討論 137 8.4.1 CMAC網(wǎng)絡(luò)的特點(diǎn) 137 8.4.2 CMAC與BP神經(jīng)網(wǎng)絡(luò)的比較 137 8.4.3 CMAC與RBF神經(jīng)網(wǎng)絡(luò)的比較 138 思考題 139第九章模糊神經(jīng)網(wǎng)絡(luò) 140 9.1 模糊控制理論基礎(chǔ) 140 9.1.1 模糊集合及其運(yùn)算 140 9.1.2 模糊關(guān)系與模糊邏輯推理 141 9.1.3 模糊控制 142 9.2 模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的聯(lián)系 145 9.2.1 模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的區(qū)別 145 9.2.2 模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的等價(jià)性 146 9.3 模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的融合 147 9.4 ANFIS 148 9.4.1 自適應(yīng)網(wǎng)絡(luò) 149 9.4.2 ANFIS的結(jié)構(gòu) 149 9.4.3 ANFIS的學(xué)習(xí)算法 151 9.4.4 ANFIS的特點(diǎn) 152 9.5 模糊神經(jīng)網(wǎng)絡(luò)仿真實(shí)例 152 9.5.1 MATLAB模糊邏輯工具箱 152 9.5.2 仿真實(shí)例 153 9.5.3 倒立擺的模糊神經(jīng)網(wǎng)絡(luò)控制 156 思考題 159第十章神經(jīng)網(wǎng)絡(luò)的優(yōu)化 160 10.1 神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法 160 10.1.1 網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化 160 10.1.2 訓(xùn)練算法的優(yōu)化 160 10.2 基于遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化 161 10.2.1 遺傳算法 161 10.2.2 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練 164 10.2.3 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu) 164 10.3 基于粒子群算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化 165 10.3.1 粒子群算法 165 10.3.2 粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練 167 10.4 基于混沌搜索算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化 168 10.4.1 混沌現(xiàn)象 168 10.4.2 混沌優(yōu)化算法原理 170 10.4.3 混沌優(yōu)化算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練 170 思考題 170第十一章深度神經(jīng)網(wǎng)絡(luò) 171 11.1 深度信念網(wǎng)絡(luò)（DBNs） 171 11.1.1 基礎(chǔ)知識(shí) 171 11.1.2 DBNs的結(jié)構(gòu) 172 11.1.3 DBNs的特點(diǎn) 173 11.1.4 DBNs學(xué)習(xí)算法 174 11.1.5 DBNs的應(yīng)用 175 11.2 卷積神經(jīng)網(wǎng)絡(luò)（CNNs） 178 11.2.1 基礎(chǔ)知識(shí) 178 11.2.2 CNNs的結(jié)構(gòu) 179 11.2.3 CNNs的特點(diǎn) 180 11.2.4 CNNs學(xué)習(xí)算法 180 11.2.5 CNNs的應(yīng)用 181 11.3 深度神經(jīng)網(wǎng)絡(luò)的MATLAB仿真實(shí)例 182 11.3.1 DBNs的MATLAB工具箱 183 11.3.2 DBNs的仿真實(shí)例 183 11.3.3 CNNs的MATLAB工具箱 186 11.3.4 CNNs的仿真實(shí)例 187 思考題 189第十二章神經(jīng)控制 190 12.1 控制理論的發(fā)展 190 12.2 智能控制 191 12.2.1 智能控制的產(chǎn)生 191 12.2.2 智能控制的分類 192 12.2.3 智能控制系統(tǒng)的組成 193 12.3 基于神經(jīng)網(wǎng)絡(luò)的辨識(shí)器 194 12.3.1 系統(tǒng)辨識(shí)的基本原理 194 12.3.2 神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)典型結(jié)構(gòu) 196 12.4 基于神經(jīng)網(wǎng)絡(luò)的控制器 198 12.4.1 神經(jīng)網(wǎng)絡(luò)控制的基本思想 198 12.4.2 神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)典型結(jié)構(gòu) 198 思考題 203參考文獻(xiàn) 204

你還可能感興趣

我要評(píng)論