人工神经网络入门：核心参考教材与课程概述

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。