神经网络权值直接确定法 作者：张雨浓，杨逸文，李巍 著出版时间：2010年版内容简介《神经网络权值直接确定法》提出了一种神经网络权值直接确定的方法。不同于传统的神经网络迭代学习思想，新方法可以一步直接计算出学习型神经网络的最优权值，展示其在计算速度和学习精度方面的优越性。考虑到人工神经网络拓扑结构与其性能有着密切的关系，因此，围绕网络结构（隐神经元数）进行性能优化一直以来都是人工神经网络研究的一个重要方向；基于提出的权值直接确定方法，《神经网络权值直接确定法》提出了神经网络结构（隐神经元数）最优确定算法，从而可以快速确定性地得到神经网络的最佳（或较佳）拓扑结构。目录第1章 人工神经网络概述1.1 神经网络的基本概念1.1.1 什么是人工神经网络1.1.2 人工神经网络的生物学基础1.1.3 人工神经元模型1.1.4 人工神经网络模型1.1.5 神经网络学习算法1.2 神经网络发展简史1.3 神经网络应用1.3.1 模式识别1.3.2 自动控制1.3.3 信号处理1.3.4 人工智能参考文献第2章 传统神经网络及学习算法2.1 感知器2.1.1 简单单层感知器网络2.1.2 单层感知器神经网络2.1.3 单层感知器的有教师学习算法2.1.4 单层感知器网络的局限性2.2 径向基网络2.3 Hopfield神经网络2.4 误差回传(BP)神经网络2.5 MATIAB神经网络工具箱参考文献第3章 BP神经网络3.1 BP神经网络的发展3.2 BP神经元及神经网络模型3.3 BP神经网络学习算法3.3.1 信号的正向传递3.3.2 BP学习算法的误差反向传播与权值阈值更新增量3.3.3 网络权值阈值更新公式3.4 BP神经网络的局限3.4.1 局部极小点3.4.2 学习／收敛速度慢3.4.3 网络结构难以确定3.5 标准BP算法的改进3.5.1 增加动量项的BP学习算法3.5.2 可变学习率的BP算法3.5.3 弹性BP学习算法3.5.4 共轭梯度法改进3.5.5 Levenbe唱Marquardt算法3.6 计算机简单示例参考文献第4章 权值直接确定法4.1 相关数学基础4.1.1 最佳逼近理论4.1.2 多元多项式的逼近理论4.1.3 矩阵伪逆与线性方程组求解4.2 幂激励前向神经网络4.2.1 网络模型与理论基础4.2.2 基于BP算法的迭代公式4.2.3 权值直接确定公式4.2.4 计算机仿真实例4.2.5 小结与思考参考文献附录第5章 权值可直接确定的神经网络模型(一)5.1 正交多项式激励函数——5.2 Hemite正交多项式神经网络5.3 Chebyshev正交多项式神经网络5.4 Jacobi正交多项式神经网络5.5 小结与思考参考文献第6章 权值可直接确定的神经网络模型(二)6.1 Fourier级数及逼近6.2 Fourier三角基神经网络6.3 Fourier复指数基神经网络6.4 小结与思考参考文献附录第7章 权值可直接确定的其他神经网络模型7.1 Pad6有理式神经网络7.2 样条神经网络7.3 小结与思考7.3.1 相对BP算法的突破7.3.2 对网络激励函数的要求7.3.3 理论与应用上的新意参考文献第8章 神经网络结构自确定8.1 神经网络的拓扑结构8.1.1 简单前向神经网络结构8.1.2 带反馈的前向神经网络结构8.1.3 层内互连的前向神经网络结构8.1.4 反馈神经网络结构8.2 隐神经元数对前向网络性能的影响8.3 传统网络结构调整方法8.3.1 基于信息熵的隐神经元数估计法8.3.2 基于LMBP改进算法的神经网络结构优化8.3.3 基于黄金分割的优化算法8.3.4 剪枝算法8.3.5 基于遗传算法的网络结构优化8.3.6 代数方程优化法8.4 动态结构神经网络的实现8.4.1 动态增添神经元算法8.4.2 动态删减神经元算法8.4.3 计算机仿真与展示8.4.4 计算机应用示例8.5 神经网络最优结构确定参考文献第9章 基于权值直接确定法的网络结构自确定算法9.1 chebyshev神经网络结构自确定9.2 Legendre神经网络结构自确定9.3 Gegenbauer神经网络结构自确定9.4 结构自确定法的适用范围和应用意义参考文献附录第10章 多输入神经网络权值与结构确定10.1 多输人多项式神经网络模型10.2 多输人多项式神经网络权值直接确定10.2.1 权值迭代修正公式10.2.2 全局收敛性质及最优权值直接求解10.2.3 计算机仿真验证及与BP、RBF神经网络性能对比10.3 多输入多项式神经网络的结构自确定10.4 小结与思考参考文献附录 上一篇: 模式识别、机器智能与生物特征识别 英文版 下一篇: 人工智能 [丁世飞 主编]
