A6 神经网络权值直接确定法

　　人工神经网络（ArtificialNeuralNetworks，ANN）是模拟生物神经系统的组织结构、处理方式和系统功能的简化人工系统；是一门涉及面广、综合性强、有半个多世纪研究历史的跨领域交叉学科，涉及自动化、电子工程、计算机科学、数学、统计学、神经生物学、心理思维科学等众多相关学科；由于其并行计算、分布式存储、高度容错、非线性自适应处理能力等显著特点，在模式识别、智能控制、组合优化、系统辨识与预测以及智能信息处理等领域都得到广泛的成功应用。20世纪80年代中期以来，人工神经网络（简称“神经网络”）研究不断地涌现出新的热潮，我国学术界也开始更深入地关注和引领该领域的研究与发展。近20年来，神经网络的理论研究和实际应用在许多领域取得了显著的进展，在国内外都进入了一个蓬勃发展的好时期。在神经网络理论日渐成熟，它的应用逐渐扩大和深入的形势下，如何把握神经网络新的研究方向，向读者以及广大神经网络研究者介绍神经网络系统理论的最新发展，成为神经网络教科工作者面临的一大挑战。本书系统化地阐述了笔者在人工神经网络方面的最新研究成果，既给读者提供了神经网络研究中的新方向、新思路、新视角，又给出了一个相对全面的介绍，可供相关领域研究人员、教师、学生参考。通过分析、探讨传统学习型神经网络及其算法存在的诸多尚未解决的内在不确定性问题，从神经生物学角度出发和思考，在函数逼近论相关知识点启发下，本书提出了一种神经网络权值直接确定的方法。不同于传统的神经网络迭代学习思想，新方法可以一步直接计算出学习型神经网络的最优权值，展示其在计算速度和学习精度方面的优越性。考虑到人工神经网络拓扑结构与其性能有着密切的关系，因此，围绕网络结构（隐神经元数）进行性能优化一直以来都是人工神经网络研究的一个重要方向；基于提出的权值直接确定方法，本书提出了神经网络结构（隐神经元数）最优确定算法，从而可以快速确定性地得到神经网络的最佳（或较佳）拓扑结构。

暂缺《A6 神经网络权值直接确定法》作者简介

第1章　人工神经网络概述
　1.1　神经网络的基本概念
　　1.1.1　什么是人工神经网络
　　1.1.2　人工神经网络的生物学基础
　　1.1.3　人工神经元模型
　　1.1.4　人工神经网络模型
　　1.1.5　神经网络学习算法
　1.2　神经网络发展简史
　1.3　神经网络应用
　　1.3.1　模式识别
　　1.3.2　自动控制
　　1.3.3　信号处理
　　1.3.4　人工智能
　参考文献
第2章　传统神经网络及学习算法
　2.1　感知器
　　2.1.1　简单单层感知器网络
　　2.1.2　单层感知器神经网络
　　2.1.3　单层感知器的有教师学习算法
　　2.1.4　单层感知器网络的局限性
　2.2　径向基网络
　2.3　Hopfield神经网络
　2.4　误差回传(BP)神经网络
　2.5　MATLAB神经网络工具箱
　参考文献
第3章　BP神经网络
　3.1　BP神经网络的发展
　3.2　BP神经元及神经网络模型
　3.3　BP神经网络学习算法
　　3.3.1　信号的正向传递
　　3.3.2　BP学习算法的误差反向传播与权值阈值更新增量
　　3.3.3　网络权值阈值更新公式
　3.4　BP神经网络的局限
　　3.4.1　局部极小点
　　3.4.2　学习／收敛速度慢
　　3.4.3　网络结构难以确定
　3.5　标准BP算法的改进
　　3.5.1　增加动量项的BP学习算法
　　3.5.2　可变学习率的BP算法
　　3.5.3　弹性BP学习算法
　　3.5.4　共轭梯度法改进
　　3.5.5　Levenber9—Marquardt算法
　3.6　计算机简单示例
　参考文献
第4章　权值直接确定法
　4.1　相关数学基础
　　4.1.1　最佳逼近理论
　　4.1.2　多元多项式的逼近理论
　　4.1.3　矩阵伪逆与线性方程组求解
　4.2　幂激励前向神经网络
　　4.2.1　网络模型与理论基础
　　4.2.2　基于BP算法的迭代公式
　　4.2.3　权值直接确定公式
　　4.2.4　计算机仿真实例
　　4.2.5　小结与思考
　参考文献
　附录
第5章　权值可直接确定的神经网络模型（一）
第6章　权值可直接确定的神经网络模型（二）
第7章　权值可直接确定的其他神经网络模型
第8章　神经网络结构自确定
第9章　基于值直接确定法的网络结构自确定算法
第10章　多输入神经网络权值与结构确定