神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)

前言
第1章 從專家系統(tǒng)到神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)
1.1 專家系統(tǒng)
1.1.1 專家系統(tǒng)的概念和特點
1.1.2 專家系統(tǒng)的結(jié)構(gòu)
1.1.3 專家系統(tǒng)的脆弱性
1.2 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)
1.2.1 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的基本原理
1.2.2 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的結(jié)構(gòu)
1.2.3 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的開發(fā)方法
第2章 神經(jīng)網(wǎng)絡(luò)設(shè)計
2.1 神經(jīng)元模型和網(wǎng)絡(luò)結(jié)構(gòu)
2.1.1 神經(jīng)元模型
2.1.2 網(wǎng)絡(luò)結(jié)構(gòu)
2.2 感知器模型
2.2.1 單層感知器
2.2.2 多層感知器
2.3 反向傳播算法
2.3.1 網(wǎng)絡(luò)描述
2.3.2 BP算法
2.3.3 誤差曲面
2.4 反向傳播改進算法
2.4.1 變步長算法
2.4.2 加入動量項
2.4.3 引入陡度因子
2.4.4 OBP算法
2.5 Hopfield網(wǎng)絡(luò)
2.5.1 離散型Hopfield網(wǎng)絡(luò)
2.5.2 連續(xù)型Hopfield網(wǎng)絡(luò)
2.6 Boltzmann機
2.6.1 網(wǎng)絡(luò)結(jié)構(gòu)
2.6.2 工作原理
2.6.3 學習規(guī)則
2.6.4 運行步驟
2.7 對向傳播網(wǎng)絡(luò)
2.7.1 網(wǎng)絡(luò)結(jié)構(gòu)與運行原理
2.7.2 學習算法
2.7.3 CP網(wǎng)絡(luò)的改進
2.8 自適應共振網(wǎng)絡(luò)
2.8.1 ART1網(wǎng)絡(luò)
2.8.2 ART2網(wǎng)絡(luò)
第3章 數(shù)據(jù)的前后處理
3.1 數(shù)據(jù)處理方法
3.2 數(shù)據(jù)變換處理
3.2.1 數(shù)值（連續(xù)值）變量
3.2.2 定性變量
3.2.3 區(qū)間變量
3.2.4 無序變量
3.3 特征參數(shù)的提取
3.3.1 傅里葉變換
3.3.2 梅林變換
3.3.3 向量擴張法
3.3.4 小波分析法
3.3.5 主分量分析法
3.3.6 K－L變換
3.3.7 神經(jīng)網(wǎng)絡(luò)方法
3.4 樣本集的構(gòu)造
第4章 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)中的模糊數(shù)
4.1 置信區(qū)間
4.1.1 置信區(qū)間的特征
4.1.2 置信區(qū)間的運算性質(zhì)
4.2 模糊數(shù)
4.2.1 模糊數(shù)的描述
4.2.2 模糊數(shù)的定義
4.3 模糊數(shù)的和運算
4.3.1 模糊數(shù)的加法運算
4.3.2 模糊數(shù)的減法運算
4.4 模糊數(shù)的積運算
4.4.1 模糊數(shù)的乘法運算
4.4.2 模糊數(shù)的除法運算
4.5 模糊數(shù)的取大和取小運算
4.6 L－R模糊數(shù)
4.6.1 L－R模糊數(shù)的定義
4.6.2 L－R模糊數(shù)的像和運算
4.7 三角模糊數(shù)
4.7.1 三角模糊數(shù)的定義
4.7.2 三角模糊數(shù)的運算
4.8 兩個模糊數(shù)之間的距離
4.8.1 線性距離
4.8.2 加權(quán)線性距離
4.8.3 歐氏距離
4.8.4 閔可夫斯基距離
4.8.5 其他形式的距離
第5章 基于神經(jīng)網(wǎng)絡(luò)的知識表示
5.1 知識的特征與分類
5.1.1 專家知識及其屬性
5.1.2 知識的種類及其特征
5.2 謂詞邏輯表示法
5.2.1 謂詞邏輯
5.2.2 謂詞邏輯表示法的特點
5.3 產(chǎn)生式表示法
5.3.1 產(chǎn)生式與產(chǎn)生式系統(tǒng)
5.3.2 產(chǎn)生式系統(tǒng)的分類及其特點
5.3.3 模糊產(chǎn)生式系統(tǒng)與模糊產(chǎn)生式規(guī)則
5.3.4 模糊規(guī)則與模糊數(shù)據(jù)的具體表達方法
5.4 框架表示法
5.4.1 框架定義
5.4.2 框架網(wǎng)絡(luò)
5.4.3 預定義槽
5.4.4 基于模糊框架的模糊知識表示
5.4.5 框架的推理及其特點
5.5 語義網(wǎng)絡(luò)表示法
5.5.1 語義網(wǎng)絡(luò)
5.5.2 常用的預定義語義
5.5.3　語義網(wǎng)絡(luò)的推理及其特點
5.5.4 模糊知識的語義網(wǎng)絡(luò)表示
5.6 面向?qū)ο蟊硎痉?br />5.6.1 對象的定義
5.6.2 面向?qū)ο蟮闹R表示
5.6.3 面向?qū)ο蟊硎痉ǖ奶攸c
第6章 機器學習
6.1 機器學習的概念和模型
6.1.1 機器學習的概念
6.1.2 機器學習系統(tǒng)模型
6.2 機器學習的分類
6.3 歸納學習
6.3.1 歸納學習的基本概念
6.3.2 基于描述空間的歸納學習
6.3.3 基于決策的歸納學習
6.4 基于解釋的學習
6.4.1 基于解釋的學習方法
6.4.2 基于解釋的學習過程
第7章 基于神經(jīng)網(wǎng)絡(luò)的推理
7.1 推理策略
7.1.1 正向推理策略
7.1.2 反向推理策略
7.1.3 雙向推理策略
7.2 確定性推理
7.2.1 邏輯結(jié)點的基本表示
7.2.2 邏輯結(jié)點的質(zhì)數(shù)表示
7.3 不精確推理
7.3.1 不確定性
7.3.2 確定理論方法
7.3.3 主觀Bayes方法
7.3.4 可能性理論方法
7.4 范例推理
7.4.1 范例的表示
7.4.2 范例檢索
7.4.3 推理算法
參考文獻
附錄 神經(jīng)網(wǎng)絡(luò)源程序