国之重器出版工程 智能信息处理

第1章　绪论
1．1　智能
1．2　人工智能
1．2．1　人工智能的定义
1．2．2　人工智能的三个关键部分
1．2．3　人工智能的发展简史
1．3　计算智能
1．3．1　计算智能的产生与发展
1．3．2　计算智能的重要特征
1．4　智能信息处理的主要技术
1．4．1　模糊计算技术
1．4．2　神经计算技术
1．4．3　进化计算技术
1．5　智能技术的综合集成
1．5．1　模糊系统与神经网络的结合
1．5．2　神经网络和遗传算法的结合
1．5．3　模糊技术、神经网络和遗传算法的综合集成
1．5．4　神经、模糊和混沌的融合
1．5．5　混沌与分形——孪生兄弟
1．5．6　计算智能展望
第2章　智能科学的认知心理学基础
2．1　认知的概念
2．2　人的思维
2．3　右脑的功能
2．4　直觉的特征
2．5　人脑短时记忆的限制
2．6　本章小结
第3章　生物神经元与神经系统
3．1　生物神经元
3．1．1　神经元的组成
3．1．2　神经元的分类
3．1．3　静息膜电位
3．2　动作电位和Hodgkin ? Huxley方程
3．2．1　动作电位
3．2．2　Hodgkin ? Huxley方程
3．3　神经冲动的传导
3．3．1　神经冲动的生成方式
3．3．2　神经冲动传导的特点
3．4　突触和突触传递
3．4．1　突触的结构
3．4．2　突触传递的机理
3．5　人的神经系统组成
3．5．1　中枢神经系统
3．5．2　周围神经系统
3．5．3　中枢神经系统的信息处理机能
3．6　视觉神经系统
3．6．1　眼球的结构
3．6．2　眼的感光功能
3．6．3　视觉信息加工
3．6．4　视觉神经系统的信息处理
3．7　本章小结
第4章　人工神经网络概述
4．1　人工神经网络概念的引发
4．1．1　人脑神经系统的主要特点
4．1．2　人工智能系统的几种不同途径
4．1．3　人脑的建模研究
4．1．4　人工神经网络的构思
4．2　人工神经元模型和人工神经网络模型
4．2．1　人工神经网络的定义
4．2．2　人工神经元模型
4．2．3　人工神经网络模型
4．3　有关人工神经网络的能力与特点的讨论
4．3．1　人工神经网络的稳定性特征和收敛特征
4．3．2　人工神经网络的信息存储与计算能力
4．3．3　人工神经网络技术的基本特征
4．4　人工神经网络的发展史
4．5　本章小结
第5章　MP模型和感知器
5．1　MP模型
5．1．1　MP模型的概念
5．1．2　模式相似性的数学表示
5．1．3　人工神经网络中的一个输出单元
5．1．4　单层并行分布网络
5．1．5　多层线性网络
5．2　感知器
5．2．1　感知器的概念
5．2．2　广义线性判别函数及其规格化
5．2．3　感知器网络的训练方法
5．2．4　感知器的能力与局限性
5．2．5　关于感知器
5．3　本章小结
第6章　模式联想机
6．1　模式联想的概念
6．2　模式联想学习规则的理论基础
6．2．1　Hebb规则
6．2．2　? 学习规则
6．3　模式联想机模型
6．3．1　模式联想机模型的Hebb规则
6．3．2　模式联想机中的? 规则
6．4　实例练习
6．4．1　练习1：Hebb规则学习的相似性和泛化
6．4．2　练习2：正交性、线性独立和学习
6．5　模式联想机的讨论
6．5．1　激活函数
6．5．2　学习假设
6．5．3　环境与训练期
6．5．4　性能量度
6．6　本章小结
第7章　BP神经网络模型
7．1　BP模型的概念及其产生背景
7．1．1　BP模型的概念
7．1．2　BP模型的产生背景
7．1．3　推广的? 规则
7．1．4　BP算法
7．2　BP算法计算实例——求解XOR问题
7．3　BP算法的讨论
7．3．1　BP神经网络拓扑结构的确定
7．3．2　BP神经网络模型的样本数据筛选
7．3．3　BP神经网络的训练
7．3．4　应用时需要考虑的问题
7．3．5　有待进一步研究的问题
7．4　BP算法的应用举例
7．4．1　在系统辨识中的应用
7．4．2　几何图形的识别
7．5　本章小结
第8章　径向基函数神经网络
8．1　径向基函数神经网络结构
8．2　径向基函数神经网络的基本训练算法
8．3　径向基函数神经网络与多层感知器的比较
8．4　径向基函数神经网络改进方案
8．4．1　输入模式的预处理
8．4．2　基函数的选择
8．4．3　RBF层的聚类算法的改进
8．5　本章小结
第9章　反馈型神经网络
9．1　离散型霍普菲尔德神经网络
9．1．1　离散型霍普菲尔德神经网络的工作方式
9．1．2　网络的稳定性
9．2　连续型霍普菲尔德神经网络
9．2．1　输入和输出的关系
9．2．2　能量函数和稳定性
9．3　离散型霍普菲尔德神经网络用于联想记忆
9．3．1　网络的学习
9．3．2　联想记忆的算法步骤
9．3．3　用Hebb规则设计权重的网络性质
9．4　霍普菲尔德神经网络用于优化计算
9．5　本章小结
第10章　进化计算及应用
10．1　概述
10．1．1　进化计算的产生背景
10．1．2　进化计算的发展过程
10．1．3　进化计算的主要特点
10．2　进化计算
10．2．1　进化计算的生物学基础
10．2．2　进化计算的基本结构
10．2．3　进化计算的分类
10．3　遗传算法的基本理论
10．3．1　遗传算法的基本思想
10．3．2　遗传算法的基本结构
10．3．3　基本遗传算子
10．3．4　遗传算法的数学基础
10．3．5　遗传规划
10．4　本章小结
第11章 混沌及分数维
11．1 混沌与混沌神经网络
11．1．1 混沌的概念及发展
11．1．2 对混沌现象的分析
11．1．3 混沌学和人工神经网络
11．2 分形和分数维
11．2．1 分形概念的提出
11．2．2 分形的特征
11．2．3 几种典型分形的分数维
11．2．4 人脑的混沌与脑电图的分数维
11．3 本章小结
第12章 神经网络的实现与应用
12．1 概述
12．1．1 神经网络计算机的主要特点
12．1．2 神经网络实现方法
12．2 神经网络硬件实现技术简介
12．2．1 神经网络的VLSI实现
12．2．2 神经网络的光学实现
12．2．3 神经网络的生物实现
12．3 神经网络硬件发展的现状
12．3．1 数字VLSI神经芯片
12．3．2 模拟VLSI神经芯片
12．3．3 数模混合神经芯片
12．3．4 神经网络加速卡
12．3．5 神经网络计算机
12．3．6 关于神经网络实现技术的讨论
12．4 人工神经网络的应用
12．4．1 神经网络适用的应用领域
12．4．2 ANN的军事应用
12．5 人工神经网络的发展展望
12．5．1 人工神经网络发展中的问题
12．5．2 人工神经网络的发展前景
12．6 本章小结
参考文献
附录
附录A 智能信息处理实验
附录B 智能信息处理实验源代码（部分）