目录

• 第1章 引言

• 1.1 目标

• 1.2 历史

• 1.3 应用

• 1.4 生物学启示

• 1.5 扩展阅读

• 第2章 神经元模型与网络结构

• 2.1 目标

• 2.2 理论与例子

• 2.2.1 McCulloch - Pitts神经元模型

• 2.2.2 线性联想器

• 2.2.3 神经网络结构

• 2.3 小结

• 2.4 例题

• 2.5 结束语

• 2.6 习题

• 第3章 一个说明性的例子

• 3.1 目标

• 3.2 理论与例子

• 3.2.1 问题描述

• 3.2.2 感知机

• 3.2.3 Hamming网络

• 3.2.4 Hopfield网络

• 3.3 结束语

• 3.4 习题

• 第4章 感知机学习规则

• 4.1 目标

• 4.2 理论与例子

• 4.2.1 学习规则

• 4.2.2 感知机结构

• 4.2.3 感知机的学习规则

• 4.2.4 收敛性证明

• 4.3 小结

• 4.4 例题

• 4.5 结束语

• 4.6 习题

• 第5章 信号与权值向量空间

• 5.1 目标

• 5.2 理论与例子

• 5.2.1 线性向量空间

• 5.2.2 线性联想器

• 5.2.3 生成空间

• 5.2.4 内积

• 5.2.5 范数

• 5.2.6 正交性

• 5.2.7 向量展开式

• 5.3 小结

• 5.4 例题

• 5.5 结束语

• 5.6 扩展阅读

• 5.7 习题

• 第6章 神经网络中的线性变换

• 6.1 目标

• 6.2 理论与例子

• 6.2.1 线性变换

• 6.2.2 矩阵表示

• 6.2.3 基变换

• 6.2.4 特征值与特征向量

• 第7章 有监督的Hebbian学习

• 7.1 目标

• 7.2 理论与例子

• 7.2.1 线性联想器

• 7.2.2 Hebb规则

• 7.2.3 监督学习规则

• 7.3 应用

• 7.4 小结

• 7.5 例题

• 7.6 结束语

• 7.7 扩展阅读

• 7.8 习题

• 第8章 性能曲面和最优点

• 8.1 目标

• 8.2 理论与例子

• 8.2.1 性能曲面

• 8.2.2 梯度下降

• 8.2.3 二阶导数

• 8.2.4 最小化的二阶条件

• 8.3 小结

• 8.4 例题

• 8.5 结束语

• 8.6 扩展阅读

• 8.7 习题

• 第9章 稳定性分析

• 9.1 目标

• 9.2 理论与例子

• 9.2.1 线性系统稳定性

• 9.2.2 非线性系统稳定性

• 9.2.3 Lyapunov函数

• 9.2.4 全局渐近稳定性

• 9.3 小结

• 9.4 例题

• 9.5 结束语

• 9.6 扩展阅读

• 9.7 习题

• 第10章 Widrow - Hoff学习规则

• 10.1 目标

• 10.2 理论与例子

• 10.2.1 线性联想器

• 10.2.2 Widrow - Hoff学习规则

• 10.2.3 收敛性

• 10.3 应用

• 10.4 小结

• 10.5 例题

• 10.6 结束语

• 10.7 扩展阅读

• 10.8 习题

• 第11章 反向传播

• 11.1 目标

• 11.2 理论与例子

• 11.2.1 多层感知机

• 11.2.2 反向传播算法

• 11.2.3 梯度下降

• 11.2.4 权值更新

• 11.3 应用

• 11.4 小结

• 11.5 例题

• 11.6 结束语

• 11.7 扩展阅读

• 11.8 习题

• 第12章 反向传播算法的变种

• 12.1 目标

• 12.2 理论与例子

• 12.2.1 快速反向传播

• 12.2.2 弹性反向传播

• 12.2.3 共轭梯度

• 12.2.4 Levenberg - Marquardt算法

• 12.3 应用

• 12.4 小结

• 12.5 例题

• 12.6 结束语

• 12.7 扩展阅读

• 12.8 习题

• 第13章 泛化

• 13.1 目标

• 13.2 理论与例子

• 13.2.1 问题描述

• 13.2.2 提升泛化能力的方法

• 13.3 小结

• 13.4 例题

• 13.5 结束语

• 13.6 扩展阅读

• 13.7 习题

• 第14章 动态网络

• 14.1 目标

• 14.2 理论与例子

• 14.2.1 分层数字动态网络

• 14.2.2 动态学习的基本原理

• 14.2.3 动态反向传播

• 14.3 小结

• 14.4 例题

• 14.5 结束语

• 14.6 扩展阅读

• 14.7 习题

• 第15章 竞争网络

• 15.1 目标

• 15.2 理论与例子

• 15.2.1 Hamming网络

• 15.2.2 竞争层

• 15.2.3 生物学中的竞争层

• 15.2.4 自组织特征图

• 15.3 小结

• 15.4 例题

• 15.5 结束语

• 15.6 扩展阅读

• 15.7 习题

• 第16章 径向基网络

• 16.1 目标

• 16.2 理论与例子

• 16.2.1 径向基函数

• 16.2.2 训练RBF网络

• 16.3 小结

• 16.4 例题

• 16.5 结束语

• 16.6 扩展阅读

• 16.7 习题

• 第17章 实际训练问题

• 17.1 目标

• 17.2 理论与例子

• 17.2.1 训练前的步骤

• 17.2.2 网络训练

• 17.2.3 训练结果分析

• 17.3 结束语

• 17.4 扩展阅读

• 第18章 实例研究1：函数逼近

• 18.1 目标

• 18.2 理论与例子

• 18.2.1 智能传感系统描述

• 18.2.2 数据收集与预处理

• 18.2.3 网络结构选择

• 18.2.4 网络训练

• 18.2.5 验证

• 18.3 结束语

• 18.4 扩展阅读

• 第19章 实例研究2：模式分类

• 19.1 目标

• 19.2 理论与例子

• 19.2.1 问题描述

• 19.2.2 数据收集与预处理

• 19.2.3 网络结构选择

• 19.2.4 网络训练

• 19.2.5 验证

• 19.3 结束语

• 19.4 扩展阅读

• 第20章 实例研究3：故障诊断

• 20.1 目标

• 20.2 理论与例子

• 20.2.1 问题描述

• 20.2.2 数据收集与预处理

• 20.2.3 网络结构选择

• 20.2.4 网络训练

• 20.2.5 验证

• 20.3 结束语

• 20.4 扩展阅读

• 第21章 实例研究4：预测

• 21.1 目标

• 21.2 理论与例子

• 21.2.1 问题描述

• 21.2.2 数据收集与预处理

• 21.2.3 网络结构选择

• 21.2.4 网络训练

• 21.2.5 验证

• 21.3 结束语

• 21.4 扩展阅读

• 第22章 实例研究5：控制

• 22.1 目标

• 22.2 理论与例子

• 22.2.1 问题描述

• 22.2.2 数据收集与预处理

• 22.2.3 网络结构选择

• 22.2.4 网络训练

• 22.2.5 验证

• 22.3 结束语

• 22.4 扩展阅读

读书摘要与主要内容介绍

《神经网络设计（原书第2版）》是一本全面且深入地介绍神经网络相关知识的专业书籍。

在内容编排上，本书从基础的神经网络概念开始，逐步深入到复杂的网络设计与应用。在开篇的章节中，作者通过对神经元模型与网络结构的介绍，让读者对神经网络有了初步的了解。例如，在第2章中，详细阐述了McCulloch - Pitts神经元模型、线性联想器等基础模型，为后续深入学习打下了坚实的基础。

随着章节的推进，书中开始引入各种学习规则，如感知机学习规则、Hebbian学习规则等。这些规则是神经网络进行训练和学习的核心机制。以感知机学习规则为例，在第4章中详细讲解了其原理、应用场景以及收敛性证明等内容，帮助读者理解神经网络如何通过这些规则来调整自身权重以达到预期的输出。

在网络架构方面，本书涵盖了多种类型的神经网络。从有监督的学习网络如反向传播网络，到无监督的竞争网络，再到径向基网络等，都有专门的章节进行深入剖析。例如，第11章详细介绍了反向传播算法，包括其原理、变种以及在实际应用中的表现。这部分内容对于理解深度神经网络的训练过程至关重要。

除了理论知识，本书还十分注重实际应用。在后面的章节中，通过多个实例研究，展示了神经网络在函数逼近、模式分类、故障诊断、预测和控制等领域的应用。例如，在第18章的函数逼近实例中，详细描述了从智能传感系统的数据收集与预处理，到网络结构选择、训练和验证的整个过程，让读者能够将前面所学的理论知识应用到实际问题中。

总的来说，《神经网络设计（原书第2版）》是一本适合想要深入学习神经网络原理、设计方法和实际应用的读者的专业书籍。无论是对于神经网络初学者，还是有一定基础的研究人员，都能从书中获得丰富的知识和实用的经验。