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。
样章试读
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
京公网安备 11010102004214号