人工神经网络及其融合应用技术PDF|Epub|txt|kindle电子书版本网盘下载

人工神经网络及其融合应用技术PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 人工神经网络概述1

1.1.1 神经网络模型1

前言1

1.1.2 神经网络的工作方式4

1.1.3 神经网络的学习规则4

1.1.4 神经网络的基本性质及应用6

1.2 人工神经网络的发展趋势7

1.3.1 神经网络与遗传算法的融合8

1.3 人工神经网络与其他智能方法的融合8

1.3.2 神经网络与灰色系统的融合9

1.3.3 神经网络与专家系统的融合10

1.3.4 神经网络与模糊技术的融合10

1.3.5 神经网络与小波分析的融合11

1.4 本章小结11

第2章 前馈型神经网络12

2.1 BP误差反向传播神经网络12

2.1.1 BP神经元模型13

2.1.2 BP学习算法15

2.1.3 BP算法的限制与不足18

2.1.4 对BP算法收敛速度的改进19

2.2 RBF径向基函数神经网络20

2.2.1 RBF神经网络的结构20

2.2.2 RBF神经网络的映射关系21

2.2.3 RBF网络训练的准则和常用算法22

2.2.4 RBF神经网络和BP神经网络的比较25

2.3.2 网络结构26

2.3 CMAC小脑神经网络26

2.3.1 CMAC概述26

2.3.3 学习算法28

2.3.4 工作原理28

2.4 RBF神经网络在平面刚架结构损伤辨识中的应用32

2.4.1 问题的描述32

2.4.2 确定网络模型及网络训练33

2.5 本章小结34

3.1.1 离散型Hopfield神经网络模型35

第3章 反馈型神经网络35

3.1 Hopfield反馈神经网络35

3.1.2 基于离散型的Hopfield神经网络的联想记忆37

3.1.3 连续型Hopfield神经网络模型37

3.1.4 Hopfield网络的特点39

3.2 双向联想记忆BAM神经网络39

3.2.1 BAM网络的结构和工作原理39

3.2.2 BAM网络的稳定性40

3.2.3 BAM网络的学习与回忆41

3.3.1 用连续型Hopfield网络求解TSP42

3.3 应用实例42

3.3.2 网络参数讨论43

3.4 本章小结44

第4章 自组织型神经网络46

4.1 Kohonen自组织映射神经网络46

4.1.1 Kohonen自组织映射网络结构46

4.1.2 Kohonen自组织映射算法47

4.2 CPN对偶传播神经网络48

4.2.2 运行过程49

4.2.1 网络结构49

4.2.3 学习过程50

4.2.4 CPN网络的改进51

4.3 自适应共振理论（ART）51

4.3.1 ART网络模型52

4.3.2 ART学习算法53

4.3.3 ART-1学习算法55

4.3.4 ART-2神经网络基本结构56

4.4 应用实例58

4.5 本章小结59

第5章 量子神经网络60

5.1 量子计算基础61

5.2 量子神经元62

5.2.1 量子神经元模型62

5.2.2 量子神经元的非线性映射特性62

5.3 几种量子神经网络模型64

5.3.1 量子衍生神经网络64

5.3.2 量子并行自组织映射模型65

5.3.3 量子联想记忆模型66

5.3.4 纠缠神经网络模型67

5.4 本章小结68

第6章 神经网络与遗传算法69

6.1 遗传算法基本理论69

6.1.1 遗传算法的定义及发展现状69

6.1.2 遗传算法的基本思想74

6.2.1 基本遗传算法的构成要素76

6.2 基本遗传算法76

6.2.2 基本遗传算法描述78

6.3 压缩映射遗传算法79

6.3.1 压缩映射原理79

6.3.2 压缩映射遗传算法及其可行性与收敛性80

6.4 神经网络与遗传算法的融合82

6.4.1 神经网络与遗传算法融合的基础82

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84

6.5.2 遗传神经网络检测结果分析87

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87

6.5.1 建立遗传神经网络模型87

6.6 本章小结90

第7章 神经网络与灰色系统91

7.1 灰色系统基本概念91

7.1.1 灰色系统基本原理91

7.1.2 灰色系统建模理论91

7.1.3 神经网络与灰色系统结合初探92

7.2 灰色神经网络建模94

7.2.1 灰色神经网络模型基础94

7.2.2 一维灰色神经网络优化模型GNNM(1,1)95

7.2.3 多维灰色神经网络模型GNNM(1,N)99

7.2.4 动态神经网络模型DNNM(1,4)101

7.3 灰色RBF神经网络静态预测模型103

7.3.1 灰色GM（0,N）模型分析103

7.3.2 GRBF预测模型及应用实例104

7.4.1 问题描述107

7.4.2 建模过程107

7.4 GNNM（1,N）建模方法在斜拉桥系统中的应用107

7.5 本章小结110

第8章 神经网络与专家系统111

8.1 专家系统的基本结构111

8.2 专家知识的表示、获取和推理112

8.2.1 知识表示112

8.2.2 知识获取114

8.2.3 知识推理115

8.3.1 神经网络与专家系统的比较116

8.3 神经网络与专家系统的融合116

8.3.2 专家系统与神经网络的融合方式117

8.4 基于神经网络的专家系统的设计与实现119

8.4.1 基于神经网络专家系统的边坡系统设计与实现119

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123

8.5 本章小结126

第9章 模糊神经网络127

9.1 模糊理论基础127

9.1.1 模糊概念与模糊集合127

9.1.2 模糊推理129

9.2 模糊神经网络基础131

9.2.1 模糊神经网络理论概述131

9.2.2 模糊神经元与模糊神经网络132

9.2.3 模糊神经网络的研究现状与发展趋势134

9.3 桥梁承载能力状态评估的模糊神经网络推理方法136

9.3.1 模糊神经网络推理系统结构136

9.3.2 模糊推理规则137

9.3.3 模糊隶属度函数138

9.3.4 实例分析139

9.4 模糊神经网络与遗传算法的融合140

9.4.1 FNN-GA基础140

9.4.2 FNN-GA的染色体编码与解码141

9.5 模糊推理技术与专家系统的融合142

9.5.1 模糊专家系统142

9.5.2 模糊专家系统的优缺点145

9.6 本章小结146

参考文献147

附录 Matlab简介152