人工神經網絡與微粒群優(yōu)化

第1章　概論
1.1　人工神經網絡的基本概念
1.1.1 人工神經網絡的基本概念和特征
1.1.2　神經元數(shù)學模型
1.2　人工神經網絡研究的發(fā)展簡史
1.2.1　人工神經網絡研究的發(fā)展
1.2.2　我國人工神經元網絡研究的情況
1.2.3　存在的問題
1.2.4　幾種著名的神經網絡
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 研究人工神經網絡的意義
1.4.1　神經網絡與傳統(tǒng)計算的比較
1.4.2　人工神經元網絡與人工智能系統(tǒng)的比較
1.4.3　研究人工神經元網絡的意義
1.4.4　人工神經元網絡在控制領域中的應用
第2章　人工神經網絡的基本原理
2.1　神經元
2.1.1　神經元的結構
2.1.2　大腦的信息處理原理
2.2　人工神經網絡模型
2.2.1　形式神經元模型
2.2.2　神經網絡的基本結構
2.2.3　神經元的學習法則
2.2.4　神經元的計算原理
2.3　十種常用的學習規(guī)則
2.3.1 Hebb學習規(guī)則
2.3.2 感知器的學習規(guī)則
2.3.3　δ學習規(guī)則
2.3.4　Widnow-Hoff學習規(guī)則
2.3.5　相關學習規(guī)則
2.3.6　“勝者為王”學習規(guī)則
2.3.7　內星和外星學習規(guī)則
2.3.8　梯度下降算法
2.3.9　隨機訓練算法
2.3.10　模擬退火算法
2.3.11　學習規(guī)則的一覽表
2.4　學習任務
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 相關矩陣記憶
2.5.2 回憶
2.6 自適應
2.7 學習過程的統(tǒng)計性質
2.8 統(tǒng)計學習理論
2.8.1 一些基本定義
2.8.2 經驗風險最小化原則
2.9 VC維
2.9.1 VC維的估計
2.9.2 可能近似正確的學習模型
2.9.3 樣本復雜性
2.9.4 計算復雜性
第3章　感知機
3.1　最簡單的感知機
3.2　感知機的學習算法
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　前饋型神經網絡
4.1　多層感知器
4.2　多層感知器的學習算法
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　網絡設計及數(shù)據預處理
4.5.1　輸入層和輸出層的設計
4.5.2　隱含層數(shù)和層內節(jié)點數(shù)的選擇
4.6　網絡映射及容量分析
4.6.1映射作用
4.6.2前向網絡的容量分析
第5章 BP網絡的應用
5.1 XOR問題
5.2 天氣預報問題
5.3 地下水位的預測
5.4 室內溫度的預測
5.5 產品成本的預測
第6章　反饋型神經網絡
6.1 Hopfield網絡
6.2 聯(lián)想記憶與神經計算
6.2.1 聯(lián)想記憶
6.2.2 神經計算
6.3 連續(xù)時間Hopfield神經網絡模型
6.3.1 非線性連續(xù)時間Hopfield神經網絡
6.3.2 Hopfield型神經網絡的設計與穩(wěn)定性
6.4 Hopfield神經網絡論文分析
6.5 Hopfield網絡在動態(tài)聯(lián)盟伙伴中的應用
　6.5.1 模型的建立
　6.5.2 模型的簡化
　6.5.3 對多目標的動態(tài)聯(lián)盟問題求解
　6.5.4 基于Hopfield網絡的多目標動態(tài)聯(lián)盟求解
第7章 隨機神經網絡
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 學習算法
7.2.4 玻耳茲曼機學習算法推導
7.3 NN的概率統(tǒng)計法
7.4 并行分布柯西機
7.5 神經網絡的熵理論
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
7.6.1 Hausdorff維數(shù)
7.6.2 分維的量度
7.7 分維神經網絡
7.7.1 分維NN結構
7.7.2 信息的存儲
第8章 非線性泛函網絡
8.1 非線性可分性
8.1.1 聲可分性
8.1.2 RBF網絡的結構及工作原理
8.1.3 函數(shù)逼近與內插
8.2 Cover定理
8.3 正規(guī)化理論
8.4 RBF網絡的學習算法
8.5 泛函連接網絡
8.6 小波網絡
8.6.1 小波理論
8.6.2 小波網絡
8.6.3 小波網絡的性能分析
8.6.4 小波網絡在股市預測中的應用
8.6.5 小波理論在創(chuàng)新概念設計評價中的應用
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 內積核
9.4.2 Mercer定理
9.4.3 支持向量機的最優(yōu)設計
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 固有性免疫響應和適應性免疫響應
10.2.3　免疫系統(tǒng)的結構
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
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　微粒群算法的應用
11.3.1　進化計算用于神經網絡的優(yōu)化
11.3.2　用PSO算法優(yōu)化神經網絡
11.3.3　協(xié)同PSO算法優(yōu)化神經網絡
11.4　微粒群算法在建筑設計上的應用探索
11.4.1　群體智能算法總體模式
11.4.2　群體智能算法之PSO算法及其在建筑設計上的應用探索