人工神经网络：理论·模型·算法与应用

　　本书由神经网络的原理和神经网络的应用两部分组成。第一部分阐述了当前最具体表性的几种神经网络模型，如前馈多层神经网络、反馈神经网络、自组织神经网络和混沌神经网络的结构、特点和学习算法。第二部分介绍了神经网络在系统辨识、自动控制、神经网络控制混沌等方面的应用。本书可作为自动控制、电路与系统、计算机、信息处理、物理等专业的研究生教材和高年级本科生选修课教材，也可供有关科研人员参考。

暂缺《人工神经网络：理论·模型·算法与应用》作者简介

第一章　神经网络基础概论
§1.1　神经网络理论形成的科学背景
§1.2　神经网络理论的发展历史与趋势
1.2.1　早期阶段
1.2.2　20世纪70年代的过渡期
1.2.3　20世纪80年代的高潮期
1.2.4 目前的研究状况和方向
§1.3　人工神经网络的生物学基础和人工神经元模型
1.3.1　神经网络的生物学基础
1.3.2　人工神经元模型
§1.4　神经网络模型的定义和结构
1.4.1　神经网络模型的定义
1.4.2　神经网络模型的结构
§1.5　人工神经网络计算和传统计算的特点比较
§1.6　神经网络的学习规则与实现
1.6.1　神经网络的学习规则
1.6.2　神经网络的实现
§1.7　神经网络的应用领域
第二章　前馈神经网络
§2.1　感知器
2.1.1　单层感知器的网络结构
2.1.2 单层感知器的表征能力与线性可分性.
2.1.3　感知器的学习算法
§2.2　前馈型BP神经网络
2.2.1　BP网络的结构
2.2.2　BP网络的分类能力
§2.3　BP网络的学习算法
2.3.1　误差反向传播学习算法(EBP)
2.3.2　EBP算法的缺点与改进
2.3.3　模拟退火算法
2.3.4　遗传算法
§2.4　前馈型多层网络的映射能力与逼近能力
2.4.1　前馈网络的映射能力
2.4.2　前馈网络的逼近能力
§2.5 BP网络的设计讨论
§2.6 BP学习算法的VC++语言编程及有关结果
2.6.1　EBP学习算法实现异或分类的C++语言程序
2.6.2　运行结果
§2.7　BP神经网络小结
§2.8　径向基函数(RBF)神经网络
2.8.1　RBF神经网络的生物学背景与结构
2.8.2 RBF网络的学习算法
§2.9　小波神经网络
2.9.1　小波函数的定义
2.9.2　小波神经网络的结构
2.9.3　小波神经网络的优点和学习算法
§2.10　小脑模型神经网络
2.10.1 CMAC网络的结构
2.10.2 CMAC网络的学习算法
§2.11 FLAT神经网络
2.11.1 FLAT神经网络的结构
2.11.2 FLAT神经网络的学习算法
§2.12　用径向基函数神经网络实现EEG信号的预测
2.12.1　预测原理及其模型
2.12.2 RBF网络径向基函数的改进
2.12.3　数据处理结果及讨论
第三章　反馈神经网络
§3.1　概述
§3.2　离散Hopfield神经网络
3.2.1 网络的结构及工作方式
3.2.2　网络的能量函数与稳定性分析
3.2.3　网络的联想记忆和记忆容量
　　……
第四章　自组织神经网络
第五章　混沌神网络及其混沌控制
第六章　基于神经网络的系统辨识
第七章　神经网络与自动控制
参考文献
附录1　用四阶龙格—库塔算法求解Lorenz系统的C语言程序
附录2　时间序列快速傅立叶变换（FFT）的C语言程序