"1. 本書是關於神經網絡的經典教材，完整、詳細地討論了各個主題，且包含了相關的計算機實驗。2. 主要內容包括神經網絡的定義、Rosenblatt感知器、回歸建模、最小均方算法、多層感知器、核方法和徑向基函數網絡、支持向量機、正則化理論、主成分分析、自組織映射、信息論學習模型、源於統計力學的隨機方法、動態規劃、神經動力學、動態繫統狀態估計的貝葉斯濾波、動態驅動遞歸網絡。3. 適合高等院校計算機、電子信息、軟件工程、智能工程等專業的高年級本科生和研究生學習使用，也可供相關領域的技術人員參考等

●第0章 導言 1
0.1 什麼是神經網絡 1
0.2 人腦 6
0.3模型 10
0.4 視為有向圖的神經網絡 15
0.5 反饋 18
0.6 網絡架構 21
0.7 知識表征 24
0.8 學習過程 34
0.9 學習任務 38
0.10小結 45
注釋和參考文獻 46
第1章 Rosenblatt感知器 47
1.1 引言 47
1.2 感知器 48
1.3 感知器收斂定理 50
1.4 高斯環境下感知器與貝葉斯分類器的關繫 55
1.5 計算機實驗：模式分類 60
1.6 批量感知器算法 62
1.7 小結和討論 65
注釋和參考文獻 66
習題 66
第2章 回歸建模 68
2.1 引言 68
2.2 線性回歸模型：初步考慮 69
2.3 參數向量的後驗估計 71
2.4 正則化最小二乘估計和MAP估計的關繫 76
2.5 計算機實驗：模式分類 77
2.6 最小描述長度原則 79
2.7 有限樣本量考慮 82
2.8 輔助變量法 86
2.9 小結和討論 88
注釋和參考文獻 89
習題 89
第3章 最小均方算法 91
3.1 引言 91
3.2 LMS算法的濾波結構 92
3.3 無約束優化：綜述 94
3.4 維納濾波器 100
3.5 最小均方算法 102
3.6 描述LMS算法和維納濾波器的偏差的馬爾可夫模型 104
3.7 朗之萬方程：布朗運動的特點 106
3.8 庫什納直接平均法 107
3.9 小學習率參數的統計LMS學習理論 108
3.10 計算機實驗I：線性預測 110
3.11 計算機實驗II：模式分類 112
3.12 LMS算法的優缺點 113
3.13 學習率退火過程 115
3.14 小結和討論 117
注釋和參考文獻 118
習題 119
第4章 多層感知器 122
4.1 引言 123
4.2 預備知識 124
4.3 批量學習和在線學習 126
4.4 反向傳播算法 129
4.5 異或問題 141
4.6 提升反向傳播算法性能的啟發式方法 144
4.7 計算機實驗：模式分類 150
4.8 反向傳播與微分 153
4.9 海森矩陣及其對在線學習的作用 155
4.10 學習率的很優退火和自適應控制 157
4.11 泛化 164
4.12 函數逼近 166
4.13 交叉驗證 171
4.14 復雜度正則化和網絡剪枝 175
4.15 反向傳播學習的優缺點 180
4.16 視為優化問題的監督學習 186
4.17 卷積網絡 201
4.18 非線性濾波 203
4.19 大小規模學習問題 209
4.20 小結和討論 217
注釋和參考文獻 219
習題 221
第5章 核方法和徑向基函數網絡 230
5.1 引言 230
5.2 模式可分性的Cover定理 231
5.3 插值問題 236
5.4 徑向基函數網絡 239
5.5 均值聚類 242
5.6 權重向量的遞歸最小二乘估計 245
5.7 RBF網絡的混合學習過程 249
5.8 計算機實驗：模式分類 250
5.9 高斯的說明 252
5.10 核回歸及其與RBF網絡的關繫 255
5.11 小結和討論 259
注釋和參考文獻 261
習題 263
第6章 支持向量機 268
6.1 引言 268
6.2 線性可分模式的很優超平面 269
6.3 不可分模式的很優超平面 276
6.4 視為核機器的支持向量機 281
6.5 構建支持向量機 284
6.6 異或問題 286
6.7 計算機實驗：模式分類 289
6.8 回歸：魯棒性考慮 289
6.9 線性回歸問題的很優解 293
6.10 表示定理和相關問題 296
6.11 小結和討論 302
注釋和參考文獻 304
習題 307
第7章 正則化理論 313
7.1 引言 313
7.2 哈達瑪適定性條件 314
7.3 Tikhonov的正則化理論 315
7.4 正則化網絡 326
7.5 廣義徑向基函數網絡 327
7.6 再論正則化最小二乘估計 331
7.7 關於正則化的其他說明 335
7.8 正則化參數估計 336
7.9 半監督學習 342
7.10 流形正則化：初步考慮 343
7.11 可微流形 345
7.12 廣義正則化理論 348
7.13 圖譜論 350
7.14 廣義表示定理 352
7.15 拉普拉斯正則化最小二乘算法 354
7.16 半監督學習的模式分類實驗 356
7.17 小結和討論 359
注釋和參考文獻 361
習題 363
第8章 主成分分析 367
8.1 引言 367
8.2 自組織原則 368
8.3 自組織特征分析 372
8.4 主成分分析：微擾理論 373
8.5 基於Hebb的優選特征濾波器 383
8.6 基於Hebb的主成分分析 392
8.7 案例分析：圖像編碼 398
8.8 核主成分分析 401
8.9 自然圖像編碼的基本問題 406
8.10 核Hebb算法 407
8.11 小結和討論 412
注釋和參考文獻 415
習題 418
第9章 自組織映射 425
9.1 引言 425
9.2 兩個基本特征映射模型 426
9.3 自組織映射 428
9.4 特征映射的性質 437
9.5 計算機實驗I：利用SOM求解點陣動力學 445
9.6 上下文映射 447
9.7 分層向量量化 450
9.8 核自組織映射 454
9.9 計算機實驗II：使用核SOM求解點陣動力學 462
9.10 核SOM與KL散度的關繫 464
9.11 小結和討論 466
注釋和參考文獻 468
習題 470
第10章 信息論學習模型 475
10.1 引言 476
10.2 熵 477
10.3 優選熵原則 481
10.4 互信息 484
10.5 KL散度 486
10.6 Copula函數 489
10.7 作為待優化目標函數的互信息 493
10.8 優選互信息原理 494
10.9 優選互信息與冗餘減少 499
10.10 空間相干特征 501
10.11 空間非相干特征 504
10.12 獨立成分分析 508
10.13 自然圖像的稀疏編碼與ICA編碼比較 514
10.14 獨立成分分析的自然梯度學習 516
10.15 獨立成分分析的優選似然估計 526
10.16 盲源分離的優選熵學習 529
10.17 獨立成分分析的負熵的優選化 534
10.18 相干獨立成分分析 541
10.19 率失真理論與信息瓶頸 549
10.20 數據的很優流形表示 553
10.21 計算機實驗：模式分類 560
10.22 小結和討論 561
注釋和參考文獻 564
習題 572
第11章 源於統計力學的隨機方法 579
11.1 引言 580
11.2 統計力學 580
11.3 馬爾可夫鏈 582
11.4 Metropolis算法 591
11.5 模擬退火 594
11.6 吉布斯采樣 596
11.7 玻爾茲曼機 598
11.8 邏輯置信網絡 604
11.9 深度置信網絡 606
11.10 確定性退火 610
11.11 確定性退火與期望優選化算法的類比 616
11.12 小結和討論 617
注釋和參考文獻 619
習題 621
第12章 動態規劃 627
12.1 引言 627
12.2 馬爾可夫決策過程 629
12.3 貝爾曼很優性準則 631
12.4 策略迭代 635
12.5 值迭代 637
12.6 近似動態規劃：直接法 642
12.7 時序差分學習 643
12.8 Q學習 648
12.9 近似動態規劃：間接法 652
12.10 最小二乘策略評估 655
12.11 近似策略迭代 660
12.12 小結和討論 663
注釋和參考文獻 665
習題 668
第13章 神經動力學 672
13.1 引言 672
13.2 動力繫統 674
13.3 平衡狀態的穩定性 678
13.4 吸引子 684
13.5 神經動力學模型 686
13.6 作為一個遞歸網絡範式的吸引子操作 689
13.7 Hopfield模型 690
13.8 Cohen-Grossberg定理 703
13.9 盒中腦狀態模型 705
13.10 奇異吸引子與混沌 711
13.11 混沌過程的動態重建 716
13.12 小結和討論 722
注釋和參考文獻 724
習題 727
第14章 動態繫統狀態估計的貝葉斯濾波 731
14.1 引言 731
14.2 狀態空間模型 732
14.3 卡爾曼濾波器 736
14.4 發散現像與平方根濾波 744
14.5 擴展卡爾曼濾波器 750
14.6 貝葉斯濾波器 755
14.7 容積卡爾曼濾波器：基於卡爾曼濾波器 759
14.8 粒子濾波器 765
14.9 計算機實驗：擴展卡爾曼濾波器與粒子濾波器的比較 775
14.10 腦功能建模中的卡爾曼濾波 777
14.11 小結和討論 780
注釋和參考文獻 782
習題 784
第15章 動態驅動遞歸網絡 790
15.1 引言 790
15.2 遞歸網絡架構 791
15.3 萬能逼近定理 797
15.4 可控性和可觀察性 799
15.5 遞歸網絡的計算能力 804
15.6 學習算法 806
15.7 時間反向傳播 808
15.8 實時遞歸學習 812
15.9 遞歸網絡中的梯度消失 818
15.10 使用非線性序列狀態估計的遞歸網絡的監督訓練框架 822
15.11 計算機實驗：Mackay-Glass吸引子的動態重建 829
15.12 適應性考慮 831
15.13 案例分析：應用於神經網絡控制的模型參考 833
15.14 小結和討論 835
注釋和參考文獻 839
習題 842
參考文獻 847

本書是關於神經網絡的經典教材，完整、詳細地討論了各個主題，且包含了相關的計算機實驗。全書共15章，主要內容包括神經網絡的定義、Rosenblatt感知器、回歸建模、最小均方算法、多層感知器、核方法和徑向基函數網絡、支持向量機、正則化理論、主成分分析、自組織映射、信息論學習模型、源於統計力學的隨機方法、動態規劃、神經動力學、動態繫統狀態估計的貝葉斯濾波、動態驅動遞歸網絡。本書適合高等院校計算機、電子信息、軟件工程、智能工程等專業的高年級本科生和研究生學習使用，也可供相關領域的技術人員參考。