A6 神經(jīng)網(wǎng)絡(luò)權(quán)值直接確定法

第1章　人工神經(jīng)網(wǎng)絡(luò)概述
　1.1　神經(jīng)網(wǎng)絡(luò)的基本概念
　　1.1.1　什么是人工神經(jīng)網(wǎng)絡(luò)
　　1.1.2　人工神經(jīng)網(wǎng)絡(luò)的生物學基礎(chǔ)
　　1.1.3　人工神經(jīng)元模型
　　1.1.4　人工神經(jīng)網(wǎng)絡(luò)模型
　　1.1.5　神經(jīng)網(wǎng)絡(luò)學習算法
　1.2　神經(jīng)網(wǎng)絡(luò)發(fā)展簡史
　1.3　神經(jīng)網(wǎng)絡(luò)應(yīng)用
　　1.3.1　模式識別
　　1.3.2　自動控制
　　1.3.3　信號處理
　　1.3.4　人工智能
　參考文獻
第2章　傳統(tǒng)神經(jīng)網(wǎng)絡(luò)及學習算法
　2.1　感知器
　　2.1.1　簡單單層感知器網(wǎng)絡(luò)
　　2.1.2　單層感知器神經(jīng)網(wǎng)絡(luò)
　　2.1.3　單層感知器的有教師學習算法
　　2.1.4　單層感知器網(wǎng)絡(luò)的局限性
　2.2　徑向基網(wǎng)絡(luò)
　2.3　Hopfield神經(jīng)網(wǎng)絡(luò)
　2.4　誤差回傳(BP)神經(jīng)網(wǎng)絡(luò)
　2.5　MATLAB神經(jīng)網(wǎng)絡(luò)工具箱
　參考文獻
第3章　BP神經(jīng)網(wǎng)絡(luò)
　3.1　BP神經(jīng)網(wǎng)絡(luò)的發(fā)展
　3.2　BP神經(jīng)元及神經(jīng)網(wǎng)絡(luò)模型
　3.3　BP神經(jīng)網(wǎng)絡(luò)學習算法
　　3.3.1　信號的正向傳遞
　　3.3.2　BP學習算法的誤差反向傳播與權(quán)值閾值更新增量
　　3.3.3　網(wǎng)絡(luò)權(quán)值閾值更新公式
　3.4　BP神經(jīng)網(wǎng)絡(luò)的局限
　　3.4.1　局部極小點
　　3.4.2　學習／收斂速度慢
　　3.4.3　網(wǎng)絡(luò)結(jié)構(gòu)難以確定
　3.5　標準BP算法的改進
　　3.5.1　增加動量項的BP學習算法
　　3.5.2　可變學習率的BP算法
　　3.5.3　彈性BP學習算法
　　3.5.4　共軛梯度法改進
　　3.5.5　Levenber9—Marquardt算法
　3.6　計算機簡單示例
　參考文獻
第4章　權(quán)值直接確定法
　4.1　相關(guān)數(shù)學基礎(chǔ)
　　4.1.1　最佳逼近理論
　　4.1.2　多元多項式的逼近理論
　　4.1.3　矩陣偽逆與線性方程組求解
　4.2　冪激勵前向神經(jīng)網(wǎng)絡(luò)
　　4.2.1　網(wǎng)絡(luò)模型與理論基礎(chǔ)
　　4.2.2　基于BP算法的迭代公式
　　4.2.3　權(quán)值直接確定公式
　　4.2.4　計算機仿真實例
　　4.2.5　小結(jié)與思考
　參考文獻
　附錄
第5章　權(quán)值可直接確定的神經(jīng)網(wǎng)絡(luò)模型（一）
第6章　權(quán)值可直接確定的神經(jīng)網(wǎng)絡(luò)模型（二）
第7章　權(quán)值可直接確定的其他神經(jīng)網(wǎng)絡(luò)模型
第8章　神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自確定
第9章　基于值直接確定法的網(wǎng)絡(luò)結(jié)構(gòu)自確定算法
第10章　多輸入神經(jīng)網(wǎng)絡(luò)權(quán)值與結(jié)構(gòu)確定