神经网络专家系统PDF|Epub|txt|kindle电子书版本网盘下载

神经网络专家系统PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 从专家系统到神经网络专家系统1

1.1 专家系统1

1.1.1 专家系统的概念和特点1

1.1.2 专家系统的结构3

1.1.3 专家系统的脆弱性5

1.2 神经网络专家系统7

1.2.1 神经网络专家系统的基本原理7

1.2.2 神经网络专家系统的结构8

1.2.3 神经网络专家系统的开发方法10

第2章 神经网络设计12

2.1 神经元模型和网络结构13

2.1.1 神经元模型13

2.1.2 网络结构17

2.2 感知器模型20

2.2.1 单层感知器20

2.2.2 多层感知器22

2.3 反向传播算法23

2.3.1 网络描述24

2.3.2 BP算法25

2.3.3 误差曲面29

2.4 反向传播改进算法30

2.4.1 变步长算法31

2.4.2 加入动量项31

2.4.3 引入陡度因子32

2.4.4 OBP算法33

2.5 Hopfield网络35

2.5.1 离散型Hopfield网络36

2.5.2 连续型Hopfield网络40

2.6 Boltzmann机42

2.6.1 网络结构42

2.6.2 工作原理44

2.6.3 学习规则47

2.6.4 运行步骤48

2.7.1 网络结构与运行原理50

2.7 对向传播网络50

2.7.2 学习算法52

2.7.3 CP网络的改进53

2.8 自适应共振网络55

2.8.1 ART1网络55

2.8.2 ART2网络60

第3章 数据的前后处理65

3.1 数据处理方法65

3.2 数据变换处理66

3.2.1 数值（连续值）变量67

3.2.2 定性变量68

3.2.3 区间变量68

3.2.4 无序变量69

3.3 特征参数的提取69

3.3.1 傅里叶变换69

3.3.2 梅林变换71

3.3.3 向量扩张法71

3.3.4 小波分析法73

3.3.5 主分量分析法74

3.3.6 K-L变换77

3.3.7 神经网络方法80

3.4 样本集的构造82

第4章 神经网络专家系统中的模糊数84

4.1 置信区间84

4.1.1 置信区间的特征84

4.1.2 置信区间的运算性质85

4.2.1 模糊数的描述92

4.2 模糊数92

4.2.2 模糊数的定义94

4.3 模糊数的和运算95

4.3.1 模糊数的加法运算95

4.3.2 模糊数的减法运算101

4.4 模糊数的积运算104

4.4.1 模糊数的乘法运算105

4.4.2 模糊数的除法运算110

4.5 模糊数的取大和取小运算113

4.6.1 L-R模糊数的定义120

4.6 L-R模糊数120

4.6.2 L-R模糊数的像和运算124

4.7 三角模糊数126

4.7.1 三角模糊数的定义126

4.7.2 三角模糊数的运算127

4.8 两个模糊数之间的距离130

4.8.1 线性距离130

4.8.4 闵可夫斯基距离131

4.8.2 加权线性距离131

4.8.3 欧氏距离131

4.8.5 其他形式的距离132

第5章 基于神经网络的知识表示136

5.1 知识的特征与分类136

5.1.1 专家知识及其属性136

5.1.2 知识的种类及其特征137

5.2.1 谓词逻辑138

5.2 谓词逻辑表示法138

5.2.2 谓词逻辑表示法的特点145

5.3 产生式表示法147

5.3.1 产生式与产生式系统147

5.3.2 产生式系统的分类及其特点151

5.3.3 模糊产生式系统与模糊产生式规则154

5.3.4 模糊规则与模糊数据的具体表达方法155

5.4 框架表示法157

5.4.1 框架定义157

5.4.2 框架网络159

5.4.3 预定义槽161

5.4.4 基于模糊框架的模糊知识表示164

5.4.5 框架的推理及其特点165

5.5 语义网络表示法170

5.5.1 语义网络170

5.5.2 常用的预定义语义175

5.5.3 语义网络的推理及其特点177

5.5.4 模糊知识的语义网络表示181

5.6 面向对象表示法182

5.6.1 对象的定义182

5.6.2 面向对象的知识表示183

5.6.3 面向对象表示法的特点186

第6章 机器学习189

6.1 机器学习的概念和模型189

6.1.1 机器学习的概念189

6.1.2 机器学习系统模型190

6.2 机器学习的分类191

6.3 归纳学习192

6.3.1 归纳学习的基本概念192

6.3.2 基于描述空间的归纳学习194

6.3.3 基于决策的归纳学习196

6.4 基于解释的学习203

6.4.1 基于解释的学习方法204

6.4.2 基于解释的学习过程205

第7章 基于神经网络的推理208

7.1.1 正向推理策略209

7.1 推理策略209

7.1.2 反向推理策略210

7.1.3 双向推理策略211

7.2 确定性推理213

7.2.1 逻辑结点的基本表示213

7.2.2 逻辑结点的质数表示215

7.3 不精确推理217

7.3.1 不确定性217

7.3.2 确定理论方法219

7.3.3 主观Bayes方法223

7.3.4 可能性理论方法230

7.4 范例推理235

7.4.1 范例的表示236

7.4.2 范例检索237

7.4.3 推理算法238

参考文献241

附录 神经网络源程序244