基本信息
- 原书名:Principles of Neurocomputing for Science and Engineering
- 原出版社: McGraw-Hill Science

编辑推荐
主要特点:
·算法——很多算法用框线明确标出,便于读者查找。
·MATLAB Toolbox——书中大量使用MATLAB的Neural Network Toolbox,举例说明神经计算概念。
·Web站点——登录http://www.mhhe.com/ham,可获取最新。最全面的信息。
·示例和附录——各章有详尽的示例,阐述重要的神经计算概念。附录A全面介绍了神经计算的数学基础。
内容简介
作译者
目录
专家指导委员会
译者序
前言
致谢
重要符号和算符
重要缩写词
第一部分 神经计算的基本概念和部分神经网络体系结构及其学习规则
第1章 神经计算概述
1.1 神经计算是什么
1.2 神经计算的发展历史
1.3 神经计算和神经科学
1.4 神经网络的分类
1.5 本书指南
参考文献
第2章 神经计算的基本概念
2.1 概述
2.2 人工神经元的基本模型
2.3 基本激活函数
2.4 人工神经元的霍普菲尔德模型
译者序
目前,神经网络的研究(包括信息处理机制、原理和应用)取得了长足的发展,实际上神经网络已成为智能信息处理的主要技术之一。然而,如何有效地掌握神经网络的基本理论,如何利用神经网络的信息处理特点对实际问题求解还有待进一步的研究。在对神经网络感兴趣的科技工作者中,既有从事神经网络模型和原理方面研究的理论工作者,,也有很多希望利用神经网络新颖的信息处理机制求解实际问题的应用研究者。如何紧扣神经网络的发展方向,面向应用、面向广大神经网络的理论和应用研究者,如何介绍神经网络的系统理论和具体应用,已成为神经网络课程教学面临的重大挑战。当然,神经网络的理论研究和应用不是割裂开来的,二者有着紧密的联系。本书正是从这一点入手,首先介绍神经网络的基本原理和系统方法,然后,紧密联系神经网络的最新发展成果,从神经网络的具体应用领域中挑选比较典型的应用,详细介绍如何利用神经网络解决实际问题,比较已有的解决方法和神经网络解决方法的异同,具体而深入地介绍神经网络应用的原理、方法和结果。这些都是本书比较突出的特点。..
在这本书的翻译中,我们力求忠实、准确地反映原著的内容,同时,也力求保留原著的风格。由于神经网络的迅速发展,许多神经网络的新名词和概念还没有确定的中文译法,所以在本书中,凡是我们认为不能完全确定的名词或术语都在其第一次出现的地方给出了对应的英文原文,有一些甚至保留了英文原文,在全书最后还有中英文索引对照。
神经网络属于多学科交叉领域,研究范围很广。近年来,研究成果层出不穷。同时,由于译者水平有限,书中错误和不准确之处在所难免,恳请作者和读者批评指正。...
译 者
2007年1月
前言
~~阿尔伯特·爱因斯坦
任何一本教材在前言里都要回答四个主要问题:(1)本书讲述什么主题?(2)为什么出版本书?(3)本书的预期读者有哪些,需要哪些预备知识?(4)书中包含什么具体内容?
问:本书讲述什么主题?
答:这本教材是关于人工神经网络(或神经网络)的。更具体地说,本书论述神经计算。所以问题实际是:什么是神经计算?神经计算通常就是指信息处理。与程序计算不同,神经计算中的信息处理首先在人工神经网络(神经网络)结构内进行学习,这个神经结构根据预定的学习规则学会或自适应响应输入;在神经网络学好它所需要知道的东西之后,训练后的神经网络根据特定的应用可以用于执行特定的任务。神经网络以类似生物的交互方式,从它们的环境学习并适应环境。在求解那些用其他方法解决很困难的科学或工程问题中,神经计算会发挥重要作用,这些问题包括:模式识别、优化、事件分类、非线性系统的控制和辨识以及统计分析等。因此,本书主要面向希望理解人工神经网络的基本原理及其在科学和工程中应用的读者。
问:为什么出版本书?
答:神经网络的领域非常宽广,且与多学科交叉。神经网络技术已经引起了许多不同领域的研究者的兴趣,而且成果非常庞大。关于神经网络技术的书籍有很多。但是,作者感到需要一本专门针对科学家和工程师的书,即针对那些希望应用神经网络求解复杂问题的科学家和工程师。这并不意味着本书只讲解神经结构及其相应训练算法,实际上,本书给出了许多可用于求解科学和工程中大量问题的各种神经计算方法。在介绍几乎所有的神经计算概念时,都给出详细的数学推导,以及与这个特定结构相伴的说明性例子和相应的训练算法。
问:本书的预期读者有哪些,需要哪些预备知识?
答:本书主要用于研究生水平的神经网络课程。但是,高年级本科学生可以在具备恰当背景(即具备下面介绍的预备知识)的基础上使用这本教材。而且,应用工程师和科学家也可以自学本书。使用这本教材成功学习神经计算所需的预备知识包括:线性代数和微分方程组,最好具有随机变量和随机过程领域的知识,但这不是必要的,因为这些也包含在本书附录A中(内容虽然简单但也足够)。
问:书中包含什么具体内容?
答:本书分成两个主要部分,细节如下。附录A包含神经计算的数学基础。
第一部分:神经计算的基本概念和部分神经网络体系结构及其学习规则
包括第1~5章。
第1章为读者介绍神经网络和神经计算的基本思想,同时包括神经网络的简单历史。
第2章首先讨论作为神经网络的构建模块的人工神经元的基本模型。接着讨论激活函数的不同类型,然后,给出了自适应线性单元(Adaline)和多重自适应线性单元(Madaline)。接着给出了最小均方(LMS)算法;然后详细介绍简单感知器,简单讨论多层前馈感知器。然后包含一些基本的学习规则。这些学习规则是训练更加复杂神经网络结构的基础。第2章最后总结一些经过精心挑选的数据处理方法。如果读者对人工神经网络不熟悉,则应该学习第2章的所有内容。这章是深入理解第3~5章中精选的神经网络结构及其相关算法的基础。
第3章介绍多种映射神经网络,以联想记忆开始,然后介绍用于训练多层前馈感知器的反向传播,对反向传播给出了更加高级的训练方法。还介绍了对传网络,本章最后给出径向基函数神经网络。..
第4章讨论部分自组织神经网络。这包括Kohonen自组织映射(SOM)和学习向量量化(LVQ)。最后介绍自适应共振理论(ART)神经网络,并给出ART1网络的细节。
第5章介绍递归神经网络和时间前馈网络(它也是递归网络),介绍了这些时间前馈神经网络和那些不是多层前馈网络之间的区别。该章包括霍普菲尔德网络、模拟退火、玻尔兹曼机、简单递归神经网络(SRN)、时延网络和分布式时滞前馈神经网络。
第二部分:神经计算的应用
包括第6~10章。