清华大学蒋宗礼教授的人工神经网络教程

"该资源是清华大学的一份关于人工神经网络的PPT，由蒋宗礼教授主讲。课程旨在引导学生进入人工神经网络的研究领域，介绍基本概念、模型和算法，并通过实验加深理解。主要内容包括智能系统、ANN基础、感知机、反向传播、竞争网络、统计方法、Hopfield网、自组织映射等。" 在这份PPT中，提到了算法优化的问题，特别是针对集合变量SK1, SK2, ..., SKh的优化。原始设计可能使用了这些集合变量来存储某些信息，但在优化过程中，考虑将其替换为存储量更小且实现更简单的变量。这反映了在实际神经网络算法设计中，优化内存使用和计算效率的重要性。 在讨论神经网络的运作机制时，提到在Xs激发Ko时，Ys会被放入SKo中。这可能是描述神经网络中节点间通信的过程，其中Ys可能是神经元的输出，而SKo可能是一个临时或缓冲存储，用于收集这些输出。然而，这里提出的一个问题是，是否会出现一个向量被放入多个SK中的情况。这是一个实际编程实现中需要避免的问题，因为它可能导致数据冗余或错误。 为了解决这个问题，可以采用几种策略： 1. 使用唯一标识符：确保每个向量都有唯一的ID，这样就不会被放入多个集合中。 2. 数据结构优化：使用适合的数据结构，如哈希表或集合并查集，以防止重复插入。 3. 逻辑检查：在插入操作前进行检查，如果向量已经存在于某个SK中，则不再插入。 此外，课程推荐了几本关于人工神经网络的教材和参考书，包括蒋宗礼教授自己的著作《人工神经网络导论》，以及其他知名学者的书籍。这些资源可以帮助学生深入理解和实践神经网络的相关知识。 课程目标是让学生了解智能系统的基本模型，掌握人工神经网络的基本概念和各种网络模型，包括单层、多层、循环网络，以及相关的训练算法。同时，通过实验和文献阅读，鼓励学生将所学应用于自己的研究课题，提高研究和应用能力。课程内容覆盖广泛，从智能系统的理论基础到具体的神经网络模型和技术，如Perceptron、反向传播（BP）、竞争网络（CPN）等，为学生提供了全面的学习路径。