《神经网络导论》共5章，第1章主要介绍神经网络、微分系统稳定性理论和泛函分析的基本理论和概念；第2章介绍神经网络的基本模型及算法；第3章介绍后期比较热门的三种神经网络，即Hopfield神经网络、细胞神经网络与双向联想（BAM）神经网络的模型及动力学问题；第4章介绍复杂神经网络模型及动力学问题；第5章介绍神经网络的应用，因为神经网络模型是一个非线性动力学系统，有些内容让读者难以读懂，所以《神经网络导论》写作时力求内容简洁、通俗，论述深入浅出，系统地介绍了神经网络模型、算法及动力学问题。
　　《神经网络导论》既可作为数学专业或工科专业的本科生教材，也可作为研究生教材或供从事神经网络理论研究的科研人员阅读。

　　神经网络技术是20世纪末迅速发展起来的一门高新技术。由于神经网络具有良好的非线性映射能力、自学习适应能力和并行信息处理能力，为解决不确定非线性系统的建模和控制问题提供了一条新的思路，因而吸引了国内外众多的学者和工程技术人员从事神经网络控制的研究，并取得了丰硕成果，提出了许多成功的理论和方法，使神经网络控制逐步发展成为智能控制的一个重要分支。
　　神经网络控制的基本思想就是从仿生学角度，模拟人神经系统的运作方式，使机器具有人脑那样的感知、学习和推理能力。它将控制系统看成是由输入到输出的一个映射，利用神经网络的学习能力和适应能力实现系统的映射特性，从而完成对系统的建模和控制，它使模型和控制的概念更加一般化。从理论上讲，基于神经网络的控制系统具有一定的学习能力，能够更好地适应环境和系统特性的变化，非常适合于复杂系统的建模和控制。特别是当系统存在不确定性因素时，更体现了神经网络方法的优越性。
　　神经网络在控制领域受到重视主要归功于它的非线性映射能力、自学习适应能力、联想记忆能力、并行信息处理方式及其良好的容错性能。应用神经网络时，人们总期望它具有非常快的全局收敛特性、大范围的映射泛化能力和较少的实现代价。
　　非线性控制系统早期的研究是针对一些特殊的、基本的系统而言的，其代表性的理论有：相平面法、描述函数法、绝对稳定性理论、Lyapunov稳定性理论、输入输出稳定性理论等。自20世纪80年代以来，非线性科学越来越受到人们重视，数学中的非线性分析、非线性泛函及物理学中的非线性动力学，发展都很迅速。与此同时，非线性系统理论也得到了蓬勃发展，有更多的控制理论专家转入到非线性系统的研究，更多的工程师力图用非线性系统理论构造控制器，并取得了一定的成就，神经网络方法是主要方法中的一种。
　　对读者来讲，本书作为人工神经网络的入门课程，重点介绍人工神经网络及其网络模型，使读者了解智能系统描述的基本模型，掌握人工神经网络的基本概念与各种基本网络模型的结构、特点、典型训练算法、运行方式，掌握软件实现方法；然后将学生引入人工神经网络应用的研究领域，通过实验进一步体会有关模型的用法和性能，获取一些初步的经验，同时使读者了解人工神经网络的有关研究思想，从中学习问题的求解方法，对高级研究者可以查阅适当的参考文献，将所学的知识与自己未来研究课题（包括研究生论文阶段的研究课题）结合起来，达到既丰富学习内容，又具有一定的研究和应用的目的。
　　本书针对本科高年级学生或研究生用书的实际情况，精选了《神经网络稳定性理论》（钟守铭等编著）部分内容，并对内容进行了优化和增删，同时结合相关的参考文献和自身的研究领域，增添了基本网络模型的结构、特点、典型训练算法、运行方式及典型问题等，并加进了最新的一些研究成果，本书注重内容和体系的整体优化，浅显易懂，语言通俗简洁，重视培养学生应用神经网络知识解决实际问题的能力。
　　本书由电子科技大学王晓梅副教授主编和执笔。
　　本书的出版获得了电子科技大学学科建设和新编特色教材项目经费的资助，并得到了电子科技大学数学科学学院和科学出版社的大力支持，在本书的编写过程中，电子科技大学钟守铭教授对本书进行了评审，并提出了不少宝贵的意见，在此一并表示衷心的感谢。电子科技大学于雪梅硕士阅读了本书的部分手稿，对编辑格式和内容进行了仔细查阅，在此表示诚挚的感谢，同时也对关心帮助本书出版的老师们表示感谢。
　　由于编者水平有限，不足之处在所难免，恳请读者批评指正！
查看全部↓

前言
第1章 绪论
1．1 神经网络简介
1．1．1 神经网络的概念
1．1．2 神经网络的发展
1．1．3 神经网络的优点
1．1．4 人工神经元模型
1．1．5 神经网络的网络结构
1．2 微分方程稳定性理论基础
1．2．1 微分方程的基本知识
1．2．2 微分、积分不等式
1．2．3 Lyapunov函数相关定义和定理
1．2．4 稳定性的基本定义和定理
1．2．5 Lyapunov直接法的基本定理
1．2．6 构造Lyapunov函数的基本方法


第2章 神经网络基本模型
2．1 M-P模型
2．1．1 MP模型的概念
2．1．2 标准M-P模型
2．1．3 时延M-P模型
2．1．4 改进的M-P模型
2．2 感知器模型
2．2．1 问题背景
2．2．2 感知器的概念
2．2．3 单层感知器神经元模型
2．2．4 单层感知器工作原理
2．2．5 单层感知器用于模式识别
2．2．6 多层感知器神经元
2．2．7 感知器的学习规则
2．2．8 感知器的局限性
2．2．9 本节小结
2．3 自适应线性神经元模型
2．3．1 线性神经网络模型
2．3．2 线性神经网络的学习
2．3．3 线性神经网络的MATLAB仿真程序设计
2．4 BP神经网络模型
2．4．1 BP神经元及BP网络模型
2．4．2 BP网络的学习
2．4．3 BP网络学习算法
2．4．4 理论与实例
2．4．5 BP网络的局限性
2．4．6 BP网络的MATLAB仿真程序设计
2．4．7 BP网络应用实例
2．5 径向基函数神经网络模型简介
2．5．1 径向基网络模型
2．5．2 径向基网络的创建与学习过程
2．5．3 其他径向基神经网络
2．5．4 径向基网络的MATLAB仿真程序设计


第3章 常用神经网络模型及动力学问题
3．1 Hopfield神经网络模型及动力学问题
3．1．1 无时滞的Hopfield神经网络模型及动力学问题
3．1．2 有时滞的Hopfield神经网络模型及动力学问题
3．1．3 Hopfield神经网络的k-稳定性分析
3．2 细胞神经网络模型及动力学问题
3．2．1 无时滞的细胞神经网络的平衡点及稳定性
3．2．2 有时滞的细胞神经网络的平衡点及稳定性
3．2．3 无时滞细胞神经网络的周期解及稳定性
3．2．4 有时滞细胞神经网络的周期解及稳定性
3．2．5 广义细胞神经网络简介
3．3 BAM神经网络模型及动力学问题
3．3．1 无时滞BAM神经网络模型及稳定性
3．3．2 具有连续时滞的BAM神经网络模型及稳定性
3．3．3 具有连续和离散时滞的混杂BAM神经网络模型及动力学问题


第4章 复杂神经网络模型及动力学问题
4．1 二阶Hopfield神经网络模型及动力学问题
……
5 神经网络的应用
参考文献
附录
查看全部↓