人工神经网络入门：理论与训练算法

"本次课程是关于人工神经网络的回顾，主要涵盖了无导师和有导师学习的概念，以及神经网络的相关理论和训练算法。课程由蒋宗礼教授讲授，旨在引导学生进入人工神经网络的研究领域，让学生掌握基本的神经网络模型和训练方法，并通过实验加深理解。教材和参考书目也提供了深入学习的资源。课程内容包括智能系统的理论、人工神经网络的基础、感知机、反向传播、竞争性神经网络、统计方法、Hopfield网络、自组织映射等。" 在本次课程中，首先介绍了Rosenblatt的学习定理，这是神经网络学习理论的基础之一。无导师学习，即无监督学习，关注的是如何从样本集合中抽取统计特性，例如Hebb的学习规则，用于更新权重。而在有导师学习，即监督学习中，目标是学习样本集中的输入-输出映射关系，Delta规则是一种常见的训练算法。 课程的目标是使学生理解智能系统的基本模型，熟悉人工神经网络的基本概念，如单层网络、多层网络和循环网络的结构、特点、训练算法和应用。此外，课程还强调了软件实现的方法，鼓励学生通过实验实践来深化理解和提升技能。 课程内容还包括多种神经网络模型，如感知机(Perceptron)、反向传播(BP)网络、竞争性神经网络(CPN)、统计方法在神经网络中的应用，以及Hopfield网络和双向联想记忆(BAM)。这些模型在解决特定问题时各有优势，例如Hopfield网络常用于联想记忆和优化问题，而ART网络则用于自组织特征映射。 此外，课程还涉及到了智能的定义、智能系统的特点以及物理符号系统和连接主义的对比。通过对这些理论的探讨，学生可以更好地理解人工神经网络如何模拟和实现智能。 这个课程提供了一个全面的神经网络学习框架，不仅涵盖了理论知识，还强调了实践和应用，旨在培养学生在神经网络领域的研究和应用能力。通过阅读指定教材和参考书目，学生可以进一步深化对神经网络的理解，并将其与自己的研究课题相结合，以达到更深层次的学习和研究目的。