人工神經(jīng)網(wǎng)絡(luò)與盲信號(hào)處理

第1章  緒論                  
 1. 1  人腦與人的智能. 人工神經(jīng)網(wǎng)絡(luò)與智能機(jī)器. 人工智能與計(jì)算智能                  
 1. 2  ANN的主要模型與研究途徑                  
 1. 3  ANN的學(xué)習(xí)                  
 1. 4  ANN的應(yīng)用                  
 1. 5  脈沖耦合神經(jīng)網(wǎng)絡(luò)和腦成像技術(shù)                  
 1. 6  ANN與盲信號(hào)處理                  
 1. 7  本書(shū)的組織                  
 參考文獻(xiàn)                  
                   
 第2章  前向多層神經(jīng)網(wǎng)絡(luò)與遞歸神經(jīng)網(wǎng)絡(luò)                  
 2. 1  概述                  
 2. 2  線性函數(shù)MLP                  
 2. 3  硬限幅函數(shù)MLP                  
 2. 4  用Sigmoid函數(shù)和線性函數(shù)的MLP                  
 2. 5  BP算法的主要問(wèn)題及其改進(jìn)                  
 2. 6  RBF網(wǎng)絡(luò)                  
 2. 7  小波神經(jīng)網(wǎng)絡(luò)                  
 2. 8  MLFN的前端信號(hào)處理                  
 2. 9  MLFN的函數(shù)逼近能力                  
 2. 10  MLFN推廣能力的統(tǒng)計(jì)學(xué)習(xí)理論                  
 2. 11  提高M(jìn)LFN推廣能力的實(shí)用方法                  
 2. 12  MLFN作為后驗(yàn)概率估值器                  
 2. 13  遞歸神經(jīng)網(wǎng)絡(luò)                  
 2. 14  MLFN應(yīng)用舉例之一--在非線性動(dòng)力系統(tǒng)中的應(yīng)用                  
 2. 15  MLFN應(yīng)用舉例之二--手寫(xiě)數(shù)字識(shí)別                  
 2. 16  MLFN應(yīng)用舉例之三--語(yǔ)音識(shí)別                  
 參考文獻(xiàn)                  
                   
 第3章  自組織神經(jīng)網(wǎng)絡(luò)--SOM和ART                  
 3. 1  概述                  
 3. 2  SOM的結(jié)構(gòu)和自組織學(xué)習(xí)算法                  
 3. 3  SOM自組織學(xué)習(xí)算法中的參數(shù)自適應(yīng)                  
 3. 4  學(xué)習(xí)向量量化--LVQ和LVQ2                  
 3. 5  SOM的應(yīng)用舉例                  
 3. 6  ART的基本原理和算法買(mǎi)現(xiàn)框架                  
 3. 7  ART的各種變型及其比較                  
 3. 8  ART應(yīng)用舉例--在化學(xué)工業(yè)中的應(yīng)用                  
 參考文獻(xiàn)                  
                   
 第4章  Hopfield神經(jīng)網(wǎng)絡(luò)                  
 4. 1  概述                  
 4. 2  HM及其在TSP中的應(yīng)用                  
 4. 3  采用約束平面及HC的EHM                  
 4. 4  采用罰函數(shù)的EHM                  
 4. 5  離散時(shí)間HNN與自聯(lián)想記憶                  
 4. 6  雙向聯(lián)想記憶及其他聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)                  
 參考文獻(xiàn)                  
                   
 第5章  模糊神經(jīng)網(wǎng)絡(luò)                  
 5. 1  概述                  
 5. 2  FNN的結(jié)構(gòu)和類(lèi)型                  
 5. 3  實(shí)現(xiàn)函數(shù)映射的FNN                  
 5. 4  基于Fuzzy ART的FNN和Simpson網(wǎng)絡(luò)                  
 5. 5  實(shí)現(xiàn)聚類(lèi)的FNN                  
 5. 6  FNN在非線性動(dòng)力系統(tǒng)辨識(shí)與控制中的應(yīng)用                  
 5. 7  FNN用于時(shí)間序列預(yù)測(cè)及其在金融和財(cái)務(wù)等領(lǐng)域中的應(yīng)用                  
 參考文獻(xiàn)                  
                   
 第6章  遺傳算法及其在人工神經(jīng)網(wǎng)絡(luò)中的應(yīng)用                  
 6. 1  概述                  
 6. 2  基本的遺傳算法                  
 6. 3  模式定理                  
 6. 4  遺傳算法的收斂性能                  
 6. 5  遺傳算法面臨的問(wèn)題及改進(jìn)算法                  
 6. 6  遺傳算法與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合                  
 參考文獻(xiàn)                  
                   
 第7章  盲信號(hào)處理                  
 7. 1  概述                  
 7. 2  源信號(hào)pdf描述. 等價(jià)可分性. 二階和高階相關(guān)的去除                  
 7. 3  ICA的目標(biāo)函數(shù)                  
 7. 4  ICA的學(xué)習(xí)算法                  
 7. 5  ICA解的穩(wěn)定性                  
 7. 6  用ICA實(shí)現(xiàn)源分離時(shí)解的精確度                  
 7. 7  ICA算法中信號(hào)源pdf的確定                  
 7. 8  盲信號(hào)抽取                  
 7. 9  盲解卷與盲均衡                  
 7. 10  DCA算法                  
 7. 11  IFA算法                  
 7. 12  ICA和IFA的實(shí)際應(yīng)用和待解決問(wèn)題                  
 參考文獻(xiàn)                  
 縮略語(yǔ)