该资源是一份关于人工神经网络的课件,主要包含了多个关于神经网络的参考书目,以及课程的教学目标、基本要求和主要内容。课件由蒋宗礼教授讲授,旨在引导学生入门人工神经网络,并涵盖智能系统、各种神经网络模型、训练算法等内容。
在这份课件中,提到了四本主要的参考书籍,分别是:
1. Philip D. Wasserman的《Neural Computing: Theory and Practice》,出版于1989年,由Van Nostrand Reinhold出版社发行,这是一本关于神经计算理论和实践的经典著作。
2. 胡守仁、余少波和戴葵合著的《神经网络导论》,1993年10月由国防科技大学出版社出版,适合初学者了解神经网络的基本原理。
3. 杨行峻和郑君里合著的《人工神经网络》,1992年9月由高等教育出版社出版,是早期的人工神经网络教材之一。
4. 闻新、周露、王丹力和熊晓英共同撰写的《MATLAB神经网络应用设计》,2001年5月由科学出版社出版,侧重于使用MATLAB进行神经网络的设计和应用。
课程的主要目的是让学生了解人工神经网络的基础知识和应用,包括智能系统的描述模型、基本的神经网络概念,如单层网、多层网、循环网等。课程还涉及了各种网络模型的结构、训练算法、运行方式以及解决的问题。此外,通过实验,学生可以进一步理解和评估神经网络模型的性能,并学习如何将所学知识应用于实际问题或研究课题。
课程内容包括但不限于:
1. 智能及其实现机制的探讨。
2. 人工神经网络基础,包括生物神经元模型和人工神经元模型的激励函数。
3. Perceptron模型,这是一种早期的单层神经网络。
4. BP(Backpropagation)算法,是最常见的多层神经网络训练算法。
5. CPN(Connectionist Performance Networks)等其他神经网络模型。
6. 统计方法在神经网络中的应用。
7. Hopfield网和BAM(Bidirectional Association Memory),这两种网络主要用于联想记忆和模式识别。
8. ART(Adaptive Resonance Theory)网络,一种自适应共振理论模型,适用于模式分类和自组织。
课件强调通过查阅相关文献,将理论知识与个人研究课题相结合,以增强学习效果并提高研究能力。对于对人工神经网络感兴趣的学生和研究人员,这些资源提供了丰富的学习材料,有助于深入理解和应用这一领域的重要概念和技术。