内容简介:
本书系统论述了
神经网络
及其融合应用技术方面的有关理论和研究进展,主要包括:
神经网络
研究的发展趋势,常用前馈型
神经网络
、反馈型
神经网络
、自组织型
神经网络
和量子
神经网络
模型的基本理论、基本结构及学习
算法
,
神经网络
与
遗传
算法
、灰色系统、专家系统、模糊逻辑的融合方法及其应用等。在本书的编写过程中,作者在强调基础理论和系统性的同时,还着重反映该领域的较新研究成果,其中也包括作者近些年来开展
神经网络
,特别是其融合技术研究所取得的一些成果。
本书适合于从事智能技术及其融合技术研究与应用的
科技
工作者阅读,也可作为高等院校计算机、电子技术、自动控制、系统工程等有关专业的研究生和高年级本科生的教材。
目录:
前言
第1章 绪论
1.1 人工
神经网络
概述
1.1.1
神经网络
模型
1.1.2
神经网络
的工作方式
1.1.3
神经网络
的学习规则
1.1.4
神经网络
的基本性质及应用
1.2 人工
神经网络
的发展趋势
1.3 人工
神经网络
与其他智能方法的融合
1.3.1
神经网络
与
遗传
算法
的融合
1.3.2
神经网络
与灰色系统的融合
1.3.3
神经网络
与专家系统的融合
1.3.4
神经网络
与模糊技术的融合
1.3.5
神经网络
与小波分析的融合
1.4 本章小结
第2章 前馈型
神经网络
2.1 BP误差反向传播
神经网络
2.1.1 BP神经元模型
2.1.2 BP学习
算法
2.1.3 BP
算法
的限制与不足
2.1.4 对BP
算法
收敛速度的改进
2.2 RBF径向基函数
神经网络
2.2.1 RBF
神经网络
的结构
2.2.2 RBF
神经网络
的映射关系
2.2.3 RBF网络训练的准则和常用
算法
2.2.4 RBF
神经网络
和BP
神经网络
的比较
2.3 CMAC小脑
神经网络
2.3.1 CMAC概述
2.3.2 网络结构
2.3.3 学习
算法
2.3.4 工作原理
2.4 RBF
神经网络
在平面刚架结构损伤辨识中的应用
2.4.1 问题的描述
2.4.2 确定网络模型及网络训练
2.5 本章小结
第3章 反馈型
神经网络
3.1 Hopfield反馈
神经网络
3.1.1 离散型Hopfield
神经网络
模型
3.1.2 基于离散型的Hopfield
神经网络
的联想记忆
3.1.3 连续型Hopfield
神经网络
模型
3.1.4 Hopfield网络的特点
3.2 双向联想记忆BAM
神经网络
3.2.1 BAM网络的结构和工作原理
3.2.2 BAM网络的稳定性
3.2.3 BAM网络的学习与回忆
3.3 应用实例
3.3.1 用连续型Hopfield网络求解TSP
3.3.2 网络参数讨论
3.4 本章小结
第4章 自组织型
神经网络
4.1 Kohonen自组织映射
神经网络
4.1.1 Kohonen自组织映射网络结构
4.1.2 Kohonen自组织映射
算法
4.2 CPN对偶传播
神经网络
4.2.1 网络结构
4.2.2 运行过程
4.2.3 学习过程
4.2.4 CPN网络的改进
4.3 自适应共振理论(ART)
4.3.1 ART网络模型
4.3.2 ART学习
算法
4.3.3 ART-1学习
算法
4.3.4 ART-2
神经网络
基本结构
4.4 应用实例
4.5 本章小结
第5章 量子
神经网络
5.1 量子计算基础
5.2 量子神经元
5.2.1 量子神经元模型
5.2.2 量子神经元的非线性映射特性
5.3 几种量子
神经网络
模型
5.3.1 量子衍生
神经网络
5.3.2 量子并行自组织映射模型
5.3.3 量子联想记忆模型
5.3.4 纠缠
神经网络
模型
5.4 本章小结
第6章
神经网络
与
遗传
算法
6.1
遗传
算法
基本理论
6.1.1
遗传
算法
的定义及发展现状
6.1.2
遗传
算法
的基本思想
6.2 基本
遗传
算法
6.2.1 基本
遗传
算法
的构成要素
6.2.2 基本
遗传
算法
描述
6.3 压缩映射
遗传
算法
6.3.1 压缩映射原理
6.3.2 压缩映射
遗传
算法
及其可行性与收敛性
6.4
神经网络
与
遗传
算法
的融合
6.4.1
神经网络
与
遗传
算法
融合的基础
6.4.2 面向
神经网络
权值和阈值学习的压缩映射
遗传
算法
6.5 遗传
神经网络
建立活性石灰生产线质量智能监控模型
6.5.1 建立遗传
神经网络
模型
6.5.2 遗传
神经网络
检测结果分析
6.6 本章小结
第7章
神经网络
与灰色系统
7.1 灰色系统基本概念
7.1.1 灰色系统基本原理
7.1.2 灰色系统建模理论
7.1.3
神经网络
与灰色系统结合初探
7.2 灰色
神经网络
建模
7.2.1 灰色
神经网络
模型基础
7.2.2 一维灰色
神经网络
优化模型GNNM(1,1)
7.2.3 多维灰色
神经网络
模型GNNM(1,N)
7.2.4 动态
神经网络
模型DNNM(1,4)
7.3 灰色RBF
神经网络
静态预测模型
7.3.1 灰色GM(0,N)模型分析
7.3.2 GRBF预测模型及应用实例
7.4 GNNM(1,N)建模方法在斜拉桥系统中的应用
7.4.1 问题描述
7.4.2 建模过程
7.5 本章小结
第8章
神经网络
与专家系统
8.1 专家系统的基本结构
8.2 专家知识的表示、获取和推理
8.2.1 知识表示
8.2.2 知识获取
8.2.3 知识推理
8.3
神经网络
与专家系统的融合
8.3.1
神经网络
与专家系统的比较
8.3.2 专家系统与
神经网络
的融合方式
8.4 基于
神经网络
的专家系统的设计与实现
8.4.1 基于
神经网络
专家系统的边坡系统设计与实现
8.4.2 基于
神经网络
的泵送混凝土专家系统的设计与实现
8.5 本章小结
第9章 模糊
神经网络
9.1 模糊理论基础
9.1.1 模糊概念与模糊集合
9.1.2 模糊推理
9.2 模糊
神经网络
基础
9.2.1 模糊
神经网络
理论概述
9.2.2 模糊神经元与模糊
神经网络
9.2.3 模糊
神经网络
的研究现状与发展趋势
9.3 桥梁承载能力状态评估的模糊
神经网络
推理方法
9.3.1 模糊
神经网络
推理系统结构
9.3.2 模糊推理规则
9.3.3 模糊隶属度函数
9.3.4 实例分析
9.4 模糊
神经网络
与
遗传
算法
的融合
9.4.1 FNN-GA基础
9.4.2 FNN-GA的染色体编码与解码
9.5 模糊推理技术与专家系统的融合
9.5.1 模糊专家系统
9.5.2 模糊专家系统的优缺点
9.6 本章小结
参考文献
附录 Matlab简介