人工神经网络与微粒群优化2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

人工神经网络与微粒群优化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　概论1

1.1　人工神经网络的基本概念1

1.1.1　人工神经网络的基本概念和特征1

1.1.2　神经元数学模型4

1.2　人工神经网络研究的发展简史5

1.2.1　人工神经网络研究的发展5

1.2.2　我国人工神经元网络研究的情况10

1.2.3　存在的问题11

1.2.4　几种著名的神经网络11

1.3　并行及分布处理理论14

1.3.1　并行分布处理理论14

1.3.2　PDP的基本概念14

1.3.3　联结性和并行分布性15

1.3.4　非符号性和连续性15

1.4　研究人工神经网络的意义15

1.4.1　神经网络与传统计算的比较15

1.4.2　人工神经元网络与人工智能系统的比较16

1.4.3　研究人工神经元网络的意义17

1.4.4　人工神经元网络在控制领域中的应用17

第2章 人工神经网络的基本原理20

2.1　神经元20

2.1.1　神经元的结构20

2.1.2　大脑的信息处理原理22

2.2　人工神经网络模型23

2.2.1　形式神经元模型24

2.2.2　神经网络的基本结构26

2.2.3　神经元的学习法则27

2.2.4　神经元的计算原理30

2.3　十种常用的学习规则31

2.3.1　Hebb学习规则32

2.3.2　感知器的学习规则35

2.3.3　δ学习规则38

2.3.4　Widrow-Hoff学习规则40

2.3.5　相关学习规则40

2.3.6　“胜者为王”学习规则41

2.3.7　内星和外星学习规则41

2.3.8　梯度下降算法42

2.3.9　随机训练算法42

2.3.10　模拟退火算法43

2.3.11　学习规则的一览表44

2.4　学习任务45

2.4.1　模式联想45

2.4.2　模式识别45

2.4.3　函数逼近46

2.4.4　控制48

2.4.5　滤波49

2.4.6　波束形成50

2.5　记忆51

2.5.1　相关矩阵记忆54

2.5.2　回忆55

2.6　自适应56

2.7　学习过程的统计性质57

2.8　统计学习理论60

2.8.1　一些基本定义61

2.8.2　经验风险最小化原则62

2.9　VC维63

2.9.1　VC维的估计65

2.9.2　可能近似正确的学习模型66

2.9.3　样本复杂性67

2.9.4　计算复杂性67

第3章　感知机69

3.1　最简单的感知机69

3.2　感知机的学习算法70

3.3　收敛定理74

3.4　简单感知机的局限性76

3.5　凸集分离定理79

3.5.1　凸集与凸性79

3.5.2　凸集分离定理80

第4章　前馈型神经网络82

4.1　多层感知器82

4.2　多层感知器的学习算法84

4.3　激活函数88

4.3.1　S型函数88

4.3.2　其他激活函数9

4.3.3　非线性误差函数92

4.4　BP算法的改进92

4.5　网络设计及数据预处理96

4.5.1　输入层和输出层的设计96

4.5.2　隐含层数和层内节点数的选择98

4.6　网络映射及容量分析107

4.6.1　映射作用107

4.6.2　前向网络的容量分析111

第5章　BP网络的应用115

5.1　XOR问题115

5.2　天气预报问题120

5.3　地下水位的预测123

5.4　室内温度的预测126

5.5　产品成本的预测127

第6章　反馈型神经网络130

6.1　Hopfield网络130

6.2　联想记忆与神经计算138

6.2.1　联想记忆138

6.2.2　神经计算139

6.3　连续时间Hopfield神经网络模型140

6.3.1　非线性连续时间Hopfield神经网络140

6.3.2　Hopfield型神经网络的设计与稳定性144

6.4　Hopfield神经网络论文分析148

6.5　Hopfield网络在动态联盟伙伴中的应用153

6.5.1　模型的建立154

6.5.2　模型的简化154

6.5.3　对多目标的动态联盟问题求解155

6.5.4　基于Hopfield网络的多目标动态联盟求解156

第7章 随机神经网络160

7.1　模拟退火算法160

7.1.1　模拟退火算法160

7.1.2　改进的模拟退火算法163

7.1.3　SA算法的收敛法164

7.2　玻耳兹曼机165

7.2.1　玻耳兹曼机模型166

7.2.2　能量函数166

7.2.3　学习算法168

7.2.4　玻耳兹曼机学习算法推导169

7.3　NN的概率统计法171

7.4　并行分布柯西机174

7.5　神经网络的熵理论176

7.5.1　NN计算能量与熵177

7.5.2　同步并行计算178

7.5.3　异步串行计算178

7.6　动力系统的分维学181

7.6.1　Hausdorff维数181

7.6.2　分维的量度182

7.7　分维神经网络184

7.7.1　分维NN结构184

7.7.2　信息的存储185

第8章 非线性泛函网络188

8.1　非线性可分性188

8.1.1　φ可分性188

8.1.2　RBF网络的结构及工作原理189

8.1.3　函数逼近与内插190

8.2　Cover定理191

8.3　正规化理论195

8.4　RBF网络的学习算法200

8.5　泛函连接网络203

8.6　小波网络204

8.6.1　小波理论204

8.6.2　小波网络209

8.6.3　小波网络的性能分析211

8.6.4　小波网络在股市预测中的应用212

8.6.5　小波理论在创新概念设计评价中的应用215

第9章　支持向量机218

9.1　简介218

9.2　线性可分模式的最优超平面219

9.2.1　用于寻找最优超平面的二次最优化220

9.2.2　最优超平面的统计特性222

9.3　不可分模式的最优超平面223

9.4　怎样建立用于模式识别的支持向量机226

9.4.1　内积核226

9.4.2　Mercer定理227

9.4.3　支持向量机的最优设计228

9.4.4　支持向量机的例子229

9.5　例子：XOR问题230

9.6　ε-不敏感损失函数232

9.7　用于非线性回归的支持向量机233

9.8　小结和讨论235

第10章　人工免疫系统及克隆选择算法238

10.1　概述238

10.2　生物免疫系统的基本原理239

10.2.1　免疫系统的功能239

10.2.2　固有性免疫响应和适应性免疫响应240

10.2.3　免疫系统的结构240

10.3　人工免疫系统242

10.3.1　人工免疫系统进展242

10.3.2　人工免疫系统的研究领域244

10.3.3　人工免疫系统与其他方法的比较250

10.4　克隆选择学说与克隆选择算子251

10.4.1　克隆选择251

10.4.2　克隆算子253

10.5　简单克隆选择算法及其性能分析255

10.5.1　简单克隆选择算法255

10.5.2　简单克隆选择算法的收敛性256

10.5.3　多克隆算子与单克隆算子的比较257

10.5.4　克隆选择算法与进化算法259

10.5.5　克隆选择算法的优缺点261

10.6　小结261

10.6.1　人工免疫系统存在的问题261

10.6.2　基于人工免疫系统的综合集成261

10.6.3　人工免疫系统应用研究262

10.6.4　人工免疫系统进一步研究的方向263

第11章　微粒群算法264

11.1　基本的微粒群算法264

11.1.1　引言264

11.1.2　基本微粒群算法265

11.1.3　基本微粒群算法的社会行为分析266

11.2　改进的微粒群算法268

11.2.1　对基本微粒群算法进化方程的改进268

11.2.2　利用小生境思想所做的改进272

11.2.3　离散变量的微粒群算法277

11.3　微粒群算法的应用283

11.3.1　进化计算用于神经网络的优化283

11.3.2　用PSO算法优化神经网络284

11.3.3　协同PSO算法优化神经网络286

11.4　微粒群算法在建筑设计上的应用探索291

11.4.1　群体智能算法总体模式291

11.4.2　群体智能算法之PSO算法及其在建筑设计上的应用探索292