《神经网络》系统地论述了神经网络的基本原理、方法、技术和应用，主要内容包括：神经信息处理的基本原理、感知器、反向传播网络、自组织网络、递归网络、径向基函数网络、核函数方法、神经网络集成、模糊神经网络、概率神经网络、脉冲耦合神经网络、神经场理论、神经元集群以及神经计算机。每章末附有习题，书末附有详细的参考文献。神经网络是通过对人脑或生物神经网络的抽象和建模，研究非程序的、适应性的、大脑风格的信息处理的本质和能力。它以脑科学和认知神经科学的研究成果为基础，拓展智能信息处理的方法，为解决复杂问题和智能控制提供有效的途径，是智能科学和计算智能的重要部分。　　《神经网络》内容丰富，反映了当前国内外该领域的最新研究成果和动向，可作为高等院校相关专业研究生及高年级本科生的神经网络、神经计算课程的教材，也可供从事神经网络、智能信息处理、模式识别、智能控制研究与应用的科技人员参考。 第1章绪论1.1概述1.2神经网络的研究历史1.3人脑的神经系统1.3.1神经元1.3.2突触1.3.3动作电位1.3.4离子通道1.4神经信息处理的基本原理1.5简单的神经网络模型1.5.1简单线性模型1.5.2线性阈值单元1.5.3盒中脑状态1.5.4热力学模型1.6神经网络的研究内容1.7神经网络的分类1.8神经网络研究的发展方向习题第2章感知器2.1感知器的认知观点2.2单层感知器2.2.1单层感知器网络结构2.2.2感知器的学习算法2.2.3感知器算法的收敛性2.2.4异或问题2.3多层感知器2.4学习算法的优化2.4.1最速下降法2.4.2牛顿方法2.4.3高斯一牛顿方法2.5最小均方(LMS)算法2.5.1最小均方算法描述2.5.2最小均方算法的收敛性2.5.3最小均方算法的评价习题第3章反向传播网络3.1概述3.2反向传播网络的结构3.3反向传播算法3.3.1反向传播算法的基本原理3.3.2反向传播算法的问题3.4反向传播算法性能分析3.5反向传播算法的改进3.5.1动量反向传播算法3.5.2批量更新3.5.3搜索然后收敛方法3.5.4自适应BP算法3.5.5共轭梯度法3.5.6拟牛顿法3.5.7Levenberg-Marquardt算法3.6反向传播网络学习程序习题第4章自组织网络4.1概述4.2Kohonen自组织映射4.2.1自组织映射过程4.2.2SOM算法4.2.3特征映射4.2.4拓扑排序4.2.5密度匹配4.3学习向量量化4.4自适应共振理论神经网络4.4.1ART模型的结构4.4.2ART的基本工作原理4.4.3ART模型的数学描述4.5认知器4.5.1认知器的结构4.5.2新认知器4.6主成分分析4.6.1基本原理4.6.2单个神经元的主成分4.6.3单层网络主成分提取4.6.4侧抑制自适应主成分提取算法4.7独立成分分析4.7.1基本概念4.7.2独立成分分析神经网络4.7.3快速固定点算法习题第5章递归网络5.1概述5.2递归网络体系结构5.2.1输入输出递归网络5.2.2状态空间模型5.2.3递归多层感知器5.2.4二阶网络5.3状态空间模型5.4Hopfield网络5.4.1离散Hopfield网络5.4.2联想记忆5.4.3离散H0pfield网络运行程序5.4.4连续H0p6eld网络5.5双向联想记忆模型5.6模拟退火算法5.7玻尔兹曼机5.7.1网络结构5.7.2学习算法习题第6章径向基函数网络6.1概述6.2径向基函数数学基础6.2.1插值计算6.2.2模式可分性6.2.3正则化理论6.3径向基函数网络结构6.3.1RBF网络拓扑结构6.3.2RBF网络元素6.4RBF网络算法分析6.4.1RBF中心向量确定6.4.2RBF算法6.4.3RBF网络性能分析6.5RBF网络算法优化6.5.1基于免疫算法的RBF网络优化6.5.2基于遗传算法的RBF网络优化6.6CMAC网络6.7泛函数连接网络6.8小波神经网络6.9过程神经网络6.9.1过程神经网络模型6.9.2学习算法习题第7章核函数方法7.1概述7.2统计学习问题7.2.1经验风险7.2.2VC维7.3学习过程的一致性7.3.1学习一致性的经典定义7.3.2学习理论的重要定理7.3.3VC熵7.4结构风险最小归纳原理7.5支持向量机7.5.1线性可分……第8章神经网络集成第9章模糊神经网络第10章概率神经网络第11章脉冲耦合神经网络第12章神经场理论第13章神经元集群第14章神经计算机