神经网络计算--吴微2004.1高等教育出版社

《神经网络计算》一书由吴微编著，于2003年由高等教育出版社出版，作为普通高等教育“十五”国家级规划教材，旨在为学生提供神经网络领域的基础理论和计算方法的深入理解。本书覆盖了多种常见的人工神经网络类型及其应用，包括BP网络、Hopfield网络、径向基函数网络、Boltzmann机、特征映射网络（SOFM网络与ART网络）以及小脑模型网络等，每一章节均配有相应的练习题，以便读者巩固所学知识。 ### 第一章：前馈网络 #### 1.1 引言 前馈网络是最基本的一种神经网络结构，信息流仅沿着一个方向传递，即从输入层到输出层，不包含任何反馈连接。这一章首先介绍了神经网络的基本概念，以及前馈网络的工作原理，为后续章节的学习奠定基础。 #### 1.2 自适应线性（Adaptive Linear）感知器 感知器是最早被提出的人工神经元模型之一，通过调整权重来分类输入数据。自适应线性感知器是一种改进模型，能够解决非线性可分的问题，通过迭代学习算法，逐步调整权重，直至达到满意的分类效果。 #### 1.3 Madaline网络 Madaline（Multiple Adaptive Linear Neuron）网络是一种多层的感知器网络，用于解决多类分类问题。与单层感知器相比，Madaline网络具有更高的灵活性和复杂度，能够处理更复杂的模式识别任务。 #### 1.4 BP网络 BP（Back Propagation）网络是一种多层前馈网络，采用反向传播算法进行训练。BP网络能够处理非线性映射问题，是目前应用最为广泛的神经网络模型之一。其核心思想是在前向传播计算输出误差的基础上，反向传播调整权重，以最小化网络的预测误差。 #### 1.5 BP网络的应用 本节详细介绍了BP网络在实际应用中的案例，包括但不限于信号处理、图像识别、语音识别和预测等领域。通过具体实例，展示了BP网络的强大功能和广泛适用性。 ### 第二章：联想记忆神经网络 联想记忆神经网络是一类特殊的神经网络，主要用于存储和检索模式，能够实现模式的近似匹配和错误纠正。本章涵盖了多种联想记忆模型，如LAM、OLAM、Kohonen模型、Hopfield网络等，探讨了它们的存储机制、收敛性和存储容量等问题。 ### 第三章：径向基函数网络 径向基函数网络（RBF Network）是一种基于径向基函数的神经网络模型，主要用于函数逼近和分类问题。本章介绍了径向基函数的概念、参数选择方法以及高斯条函数的使用，展示了RBF网络在解决非线性问题时的优势。 ### 第四章：Boltzmann机 Boltzmann机是一种基于统计物理的神经网络模型，采用随机权重更新策略，能够处理复杂的概率分布问题。本章讲解了Boltzmann机的基本原理，包括模拟退火算法、简单Boltzmann机、带隐单元的Boltzmann机以及平均场方法等，突出了Boltzmann机在模式识别和优化问题上的应用潜力。 ### 第五章：自组织竞争网络 自组织竞争网络是一种无监督学习网络，能够自动发现数据中的结构和模式。SOFM（Self-Organizing Feature Map）网络是其中的代表，通过竞争学习机制，使神经元对输入空间的不同部分进行自组织，形成有序的特征映射。本章还可能涉及ART（Adaptive Resonance Theory）网络，一种动态调整神经元权重的自适应系统，用于快速学习和识别新类别。 通过以上章节的详细介绍，《神经网络计算》一书不仅提供了神经网络理论的全面概述，还深入探讨了各种神经网络模型的计算方法和实际应用，对于理工科高年级本科生、研究生以及从事人工智能研究的专业人士来说，是一本不可多得的参考教材。