人工神經(jīng)網(wǎng)絡(luò)與微粒群優(yōu)化

第1章　概論
1.1　人工神經(jīng)網(wǎng)絡(luò)的基本概念
1.1.1 人工神經(jīng)網(wǎng)絡(luò)的基本概念和特征
1.1.2　神經(jīng)元數(shù)學(xué)模型
1.2　人工神經(jīng)網(wǎng)絡(luò)研究的發(fā)展簡史
1.2.1　人工神經(jīng)網(wǎng)絡(luò)研究的發(fā)展
1.2.2　我國人工神經(jīng)元網(wǎng)絡(luò)研究的情況
1.2.3　存在的問題
1.2.4　幾種著名的神經(jīng)網(wǎng)絡(luò)
1.3　并行及分布處理理論
1.3.1 并行分布處理理論
1.3.2 PDP的基本概念
1.3.3 聯(lián)結(jié)性和并行分布性
1.3.4 非符號性和連續(xù)性
1.4 研究人工神經(jīng)網(wǎng)絡(luò)的意義
1.4.1　神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)計算的比較
1.4.2　人工神經(jīng)元網(wǎng)絡(luò)與人工智能系統(tǒng)的比較
1.4.3　研究人工神經(jīng)元網(wǎng)絡(luò)的意義
1.4.4　人工神經(jīng)元網(wǎng)絡(luò)在控制領(lǐng)域中的應(yīng)用
第2章　人工神經(jīng)網(wǎng)絡(luò)的基本原理
2.1　神經(jīng)元
2.1.1　神經(jīng)元的結(jié)構(gòu)
2.1.2　大腦的信息處理原理
2.2　人工神經(jīng)網(wǎng)絡(luò)模型
2.2.1　形式神經(jīng)元模型
2.2.2　神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
2.2.3　神經(jīng)元的學(xué)習(xí)法則
2.2.4　神經(jīng)元的計算原理
2.3　十種常用的學(xué)習(xí)規(guī)則
2.3.1 Hebb學(xué)習(xí)規(guī)則
2.3.2 感知器的學(xué)習(xí)規(guī)則
2.3.3　δ學(xué)習(xí)規(guī)則
2.3.4　Widnow-Hoff學(xué)習(xí)規(guī)則
2.3.5　相關(guān)學(xué)習(xí)規(guī)則
2.3.6　“勝者為王”學(xué)習(xí)規(guī)則
2.3.7　內(nèi)星和外星學(xué)習(xí)規(guī)則
2.3.8　梯度下降算法
2.3.9　隨機訓(xùn)練算法
2.3.10　模擬退火算法
2.3.11　學(xué)習(xí)規(guī)則的一覽表
2.4　學(xué)習(xí)任務(wù)
2.4.1 模式聯(lián)想
2.4.2 模式識別
2.4.3　函數(shù)逼近
2.4.4　控制
2.4.5　濾波
2.4.6　波束形成
2.5 記憶
2.5.1 相關(guān)矩陣記憶
2.5.2 回憶
2.6 自適應(yīng)
2.7 學(xué)習(xí)過程的統(tǒng)計性質(zhì)
2.8 統(tǒng)計學(xué)習(xí)理論
2.8.1 一些基本定義
2.8.2 經(jīng)驗風(fēng)險最小化原則
2.9 VC維
2.9.1 VC維的估計
2.9.2 可能近似正確的學(xué)習(xí)模型
2.9.3 樣本復(fù)雜性
2.9.4 計算復(fù)雜性
第3章　感知機
3.1　最簡單的感知機
3.2　感知機的學(xué)習(xí)算法
3.3　收斂定理
3.4　簡單感知機的局限性
3.5　凸集分離定理
3.5.1　凸集與凸性
3.5.2　凸集分離定理
第4章　前饋型神經(jīng)網(wǎng)絡(luò)
4.1　多層感知器
4.2　多層感知器的學(xué)習(xí)算法
4.3　激活函數(shù)
4.3.1 S型函數(shù)
4.3.2 其他激活函數(shù)
4.3.3 非線性誤差函數(shù)
4.4 BP算法的改進
4.5　網(wǎng)絡(luò)設(shè)計及數(shù)據(jù)預(yù)處理
4.5.1　輸入層和輸出層的設(shè)計
4.5.2　隱含層數(shù)和層內(nèi)節(jié)點數(shù)的選擇
4.6　網(wǎng)絡(luò)映射及容量分析
4.6.1映射作用
4.6.2前向網(wǎng)絡(luò)的容量分析
第5章 BP網(wǎng)絡(luò)的應(yīng)用
5.1 XOR問題
5.2 天氣預(yù)報問題
5.3 地下水位的預(yù)測
5.4 室內(nèi)溫度的預(yù)測
5.5 產(chǎn)品成本的預(yù)測
第6章　反饋型神經(jīng)網(wǎng)絡(luò)
6.1 Hopfield網(wǎng)絡(luò)
6.2 聯(lián)想記憶與神經(jīng)計算
6.2.1 聯(lián)想記憶
6.2.2 神經(jīng)計算
6.3 連續(xù)時間Hopfield神經(jīng)網(wǎng)絡(luò)模型
6.3.1 非線性連續(xù)時間Hopfield神經(jīng)網(wǎng)絡(luò)
6.3.2 Hopfield型神經(jīng)網(wǎng)絡(luò)的設(shè)計與穩(wěn)定性
6.4 Hopfield神經(jīng)網(wǎng)絡(luò)論文分析
6.5 Hopfield網(wǎng)絡(luò)在動態(tài)聯(lián)盟伙伴中的應(yīng)用
　6.5.1 模型的建立
　6.5.2 模型的簡化
　6.5.3 對多目標(biāo)的動態(tài)聯(lián)盟問題求解
　6.5.4 基于Hopfield網(wǎng)絡(luò)的多目標(biāo)動態(tài)聯(lián)盟求解
第7章 隨機神經(jīng)網(wǎng)絡(luò)
7.1 模擬退火算法
7.1.1 模擬退火算法
7.1.2 改進的模擬退火算法
7.1.3 SA算法的收斂法
7.2 玻耳茲曼機
7.2.1 玻耳茲曼機模型
7.2.2 能量函數(shù)
7.2.3 學(xué)習(xí)算法
7.2.4 玻耳茲曼機學(xué)習(xí)算法推導(dǎo)
7.3 NN的概率統(tǒng)計法
7.4 并行分布柯西機
7.5 神經(jīng)網(wǎng)絡(luò)的熵理論
7.5.1 NN計算能量與熵
7.5.2 同步并行計算
7.5.3 異步串行計算
7.6 動力系統(tǒng)的分維學(xué)
7.6.1 Hausdorff維數(shù)
7.6.2 分維的量度
7.7 分維神經(jīng)網(wǎng)絡(luò)
7.7.1 分維NN結(jié)構(gòu)
7.7.2 信息的存儲
第8章 非線性泛函網(wǎng)絡(luò)
8.1 非線性可分性
8.1.1 聲可分性
8.1.2 RBF網(wǎng)絡(luò)的結(jié)構(gòu)及工作原理
8.1.3 函數(shù)逼近與內(nèi)插
8.2 Cover定理
8.3 正規(guī)化理論
8.4 RBF網(wǎng)絡(luò)的學(xué)習(xí)算法
8.5 泛函連接網(wǎng)絡(luò)
8.6 小波網(wǎng)絡(luò)
8.6.1 小波理論
8.6.2 小波網(wǎng)絡(luò)
8.6.3 小波網(wǎng)絡(luò)的性能分析
8.6.4 小波網(wǎng)絡(luò)在股市預(yù)測中的應(yīng)用
8.6.5 小波理論在創(chuàng)新概念設(shè)計評價中的應(yīng)用
第9章 支持向量機
9.1 簡介
9.2 線性可分模式的最優(yōu)超平面
9.2.1 用于尋找最優(yōu)超平面的二次最優(yōu)化
9.2.2 最優(yōu)超平面的統(tǒng)計特性
9.3 不可分模式的最優(yōu)超平面
9.4 怎樣建立用于模式識別的支持向量機
9.4.1 內(nèi)積核
9.4.2 Mercer定理
9.4.3 支持向量機的最優(yōu)設(shè)計
9.4.4 支持向量機的例子
9.5 例子：XOR問題
9.6 一不敏感損失函數(shù)
9.7 用于非線性回歸的支持向量機
9.8 小結(jié)和討論
第10章 人工免疫系統(tǒng)及克隆選擇算法
10.1　概述
10.2　生物免疫系統(tǒng)的基本原理
10.2.1　免疫系統(tǒng)的功能
10.2.2 固有性免疫響應(yīng)和適應(yīng)性免疫響應(yīng)
10.2.3　免疫系統(tǒng)的結(jié)構(gòu)
10.3　人工免疫系統(tǒng)
10.3.1　人工免疫系統(tǒng)進展
10.3.2　人工免疫系統(tǒng)的研究領(lǐng)域
10.3.3　人工免疫系統(tǒng)與其他方法的比較
10.4　克隆選擇學(xué)說與克隆選擇算子
10.4.1　克隆選擇
10.4.2　克隆算子
10.5　簡單克隆選擇算法及其性能分析
10.5.1　簡單克隆選擇算法
10.5.2　簡單克隆選擇算法的收斂性
10.5.3　多克隆算子與單克隆算子的比較
10.5.4　克隆選擇算法與進化算法
　10.5.5　克隆選擇算法的優(yōu)缺點
10.6　小結(jié)
10.6.1　人工免疫系統(tǒng)存在的問題
10.6.2　基于人工免疫系統(tǒng)的綜合集成
10.6.3　人工免疫系統(tǒng)應(yīng)用研究
10.6.4　人工免疫系統(tǒng)進一步研究的方向
第11章　微粒群算法
11.1　基本的微粒群算法
11.1.1　引言
11.1.2　基本微粒群算法
11.1.3　基本微粒群算法的社會行為分析
11.2　改進的微粒群算法
11.2.1　對基本微粒群算法進化方程的改進
11.2.2　利用小生境思想所做的改進
11.2.3　離散變量的微粒群算法
11.3　微粒群算法的應(yīng)用
11.3.1　進化計算用于神經(jīng)網(wǎng)絡(luò)的優(yōu)化
11.3.2　用PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)
11.3.3　協(xié)同PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)
11.4　微粒群算法在建筑設(shè)計上的應(yīng)用探索
11.4.1　群體智能算法總體模式
11.4.2　群體智能算法之PSO算法及其在建筑設(shè)計上的應(yīng)用探索