神經計算原理及其應用技術（簡體書）

《神經計算原理及其應用技術》從信息科學的角度出發，涉及了目前國內外神經計算的研究成果，綜合了作者曾喆昭的科研成果和主持國家自然科學基金項目取得的研究成果，取材新穎，內容豐富，注重理論與應用相結合，論述深入淺出，力求使讀者較快掌握和應用這門高新技術。全書共分9章，內容包括：神經網絡基本概念、神經網絡研究歷史、意義以及應用前景；神經網絡優化方法在線性系統求解、非線性方程與非線性方程組求解、數值積分、微分方程初值問題求解以及FIR數字濾波器優化設計、頻譜分析、傳感器非線性補償、PID神經網絡控制器等領域的應用研究。
《神經計算原理及其應用技術》可作為電子工程、自動化、計算機應用、電氣工程、人工智能、智能信息處理與智能控制等專業高年級本科生或研究生的教材和參考書，也可供有關工程技術人員和科研工作者參考。

《神經計算原理及其應用技術》可作為電子工程、自動化、計算機應用、電氣工程、人工智能、智能信息處理與智能控制等專業高年級本科生或研究生的教材和參考書，也可供有關工程技術人員和科研工作者參考。

前言
第1章緒論
1.1研究背景及意義
1.2神經網絡的發展歷史
1.2.1早期階段
1.2.2低潮階段
1.2.3黃金時期
1.3神經網絡研究內容
1.3.1神經網絡理論研究
1.3.2神經網絡實現技術研究
1.3.3神經網絡應用研究
1.4神經網絡研究歷史及意義
1.5神經網絡的應用前景
1.5.1模式識別
1.5.2最優化問題計算
1.5.3自動控制
1.5.4信號處理
L5.5圖像處理
1.5.6人工智能
1.6神經網絡基本概念
1.6.1人工神經元模型
1.6.2神經元常用的基函數與激勵函數類型
1.6.3神經元學習算法
1.6.4典型的神經網絡結構
1.6.5基本BP算法的局限性
1.7主要研究成果

第2章基於神經網絡優化算法的線性系統求解研究
2.1問題背景：電阻網絡
2.2基於梯度下降法的神經網絡算法的線性方程組求解
2.2.1神經網絡模型
2.2.2神經網絡算法
2.2.3神經網絡算法收斂性研究
2.2.4局部極小討論
2.2.5神經網絡算法步驟
2.2.6應用實例
2.3神經網絡優化計算方法
2.3.1遞推最小二乘法（RLS）
2.3.2共軛梯度法
2.3.3數值分析實例
2.4小結

第3章解非線性系統的神經網絡算法研究
3.1問題背景：人口增長問題
3.1.1代數方程
3.1.2超越方程
3.1.3單根
3.1.4重根
3.2二分法
3.2.1二分法基本思想
3.2.2二分法算法的源程序（bisection.m）
3.2.3總結
3.2.4仿真實例
3.3迭代法
3.3.1迭代法的基本思路
3.3.2線性迭代函數的啟示
3.3.3壓縮映像原理
3.3.4定點迭代法源程序（fixedp.m）
3.3.5仿真實例
3.3.6迭代過程的收斂速度
3.4迭代過程的加速收斂方法
3.4.1迭代公式的加工
3.4.2仿真實例
3.4.3埃特金算法
3.4.4埃特金加速算法的源程序（aitken.m）
3.5牛頓迭代法
3.5.1牛頓迭代公式的導出
3.5.2牛頓法的收斂性
3.5.3牛頓迭代法源程序（newtoniter.m）
3.5.4仿真實例
3.5.5牛頓下山法
3.6弦截法
3.6.1用差商替代導數
3.6.2弦截法的收斂性
3.6.3仿真實例
3.7解非線性方程的神經網絡算法
3.7.1解非線性方程的神經網絡模型
3.7.2解非線性方程的神經網絡算法
3.7.3神經網絡算法收斂性分析
3.7.4神經網絡算法步驟
3.7.5仿真實例
3.7.6小結
3.8解非線性方程的其他算法
3.9解非線性方程組的神經網絡算法
3.9.1解非線性方程組的神經網絡模型
3.9.2解非線性方程組的神經網絡算法
3.9.3神經網絡算法收斂性分析
3.9.4神經網絡算法步驟
3.9.5解非線性方程組的數值試驗
3.10解非線性方程或代數方程重根的方法
3.10.1算法描述
3.10.2數值實例

第4章基於神經網絡算法的數值積分方法
4.1問題背景：PID調節器
4.2余弦基函數神經網絡模型描述
4.2.1余弦基函數神經網絡模型
4.2.2神經網絡算法收斂性分析
4.2.3基於神經網絡權值的數值積分方法
4.2.4神經網絡算法訓練步驟
4.2.5數值積分實例
4.2.6小結
4.3基於向量空間的神經網絡模型描述
4.3.1基於向量空間的神經網絡模型
4.3.2基於向量空間的神經網絡訓練步驟
4.3.3神經計算與優化
4.3.4數值積分實例
4.3.5小結
4.4基於傅裡葉基函數的神經網絡模型描述
4.4.1基於傅裡葉基函數的神經網絡模型
4.4.2神經網絡訓練步驟
4.4.3基於神經網絡權值向量的數值積分方法
4.4.4數值積分算例
4.4.5小結
4.5基於遞推最小二乘法的神經網絡方法
4.5.1神經網絡模型描述
4.5.2算法步驟
4.5.3數值實例

第5章微分方程初值問題的神經網絡算法
5.1神經網絡算法描述
5.1.1神經網絡模型
5.1.2神經網絡算法
5.1.3神經網絡算法步驟
5.1.4算例
5.2小結

第6章FIR線性相位數字濾波器優化設計
6.1FIR線性相位濾波器的幅頻特性
6.2神經網絡算法描述
6.2.1神經網絡算法模型
6.2.2神經網絡算法
6.2.3神經網絡收斂性分析
6.2.4神經網絡訓練步驟
6.2.5優化設計實例
6.3基於遞推最小二乘法（RLS）的FIR濾波器優化設計方法
6.3.1神經網絡算法描述
6.3.2神經網絡算法步驟
6.3.3優化設計實例
6.4基於共軛梯度法的FIR數字濾波器優化設計
6.4.1共軛梯度法描述
6.4.2基於共軛梯度法的FIR濾波器優化設計
6.4.3算法步驟
6.4.4優化設計實例

第7章基於神經網絡算法的頻譜分析方法
7.1國內外頻譜分析方法
7.1.1離散頻譜校正方法
7.1.2細化選帶頻譜分析方法
7.1.3包絡分析方法（解調分析方法）
7.1.4高階譜分析方法
7.1.5非平穩振動信號的頻譜分析方法
7.1.6國內外其他頻譜分析方法
7.2頻譜分析的神經網絡模型
7.2.1週期信號的連續時間傅裡葉級數
7.2.2基於傅裡葉基函數的神經網絡模型
7.2.3神經網絡算法收斂性分析
7.2.4神經網絡訓練步驟
7.2.5信號的頻譜特性分析
7.2.6頻譜分析實例
7.3基於RLS的神經網絡頻譜分析方法
7.3.1神經網絡算法改進
7.3.2神經網絡算法步驟
7.3.3信號頻譜分析實例
7.4基於共軛梯度算法的神經網絡頻譜分析方法
7.4.1基於共軛梯度法的神經網絡訓練方法
7.4.2算法步驟
7.4.3頻譜分析實例

第8章神經網絡算法在傳感器中的應用研究
8.1傳感器溫度特性曲線的傅裡葉基神經網絡擬合方法
8.1.1週期信號的傅裡葉級數
8.1.2神經網絡模型算法
8.1.3傳感器特性曲線擬合實例
8.2傳感器溫度特性曲線的多項式基神經網絡擬合方法
8.2.1多項式基函數神經網絡模型
8.2.2神經網絡算法步驟
8.2.3仿真實例
8.3多項式基神經網絡擬合曲線的共軛梯度方法
8.3.1共軛梯度算法
8.3.2算法步驟
8.3.3仿真實例
8.4基於正交基神經網絡算法的傳感器誤差補償方法
8.4.1正交基神經網絡模型
8.4.2基於梯度下降法的神經網絡算法
8.4.3神經網絡算法收斂性分析
8.4.4磁傳感器誤差補償實例
8.4.5基於RLS算法的磁傳感器誤差補償方法
8.5基於正交基神經網絡算法的多傳感器數據融合方法
8.5.1多傳感器信息融合模型
8.5.2神經網絡算法描述
8.5.3仿真實例
8.6熱敏電阻溫度傳感器非線性補償原理
8.6.1熱敏電阻溫度傳感器
8.6.2非線性補償原理
8.6.3收斂性分析
8.6.4仿真實例

第9章神經網絡算法在PID控制器中的應用研究
9.1PID控制器的參數在線整定原理
9.1.1經典PID控制器
9.1.2基於神經計算的PID參數實時在線整定原理
9.2基於神經計算的PID控制器學習算法
9.2.1神經網絡PlD結構
9.2.2神經網絡算法
9.2.3神經網絡算法收斂性研究
9.2.4神經網絡算法步驟
9.2.5仿真實例
9.2.6小結
9.3基於神經計算的增量式PID控制器學習算法
9.3.1增量式數字控制律
9.3.2增量式PID參數在線實時整定原理
9.3.3基於神經元的智能PID控制器學習算法
9.3.4收斂性分析
9.3.5算法步驟
9.3.6仿真實例
9.4基於神經網絡算法的非線性PID控制器
9.4.1非線性PID控制策略研究現狀
9.4.2非線性PID控制器模型
9.4.3動態非線性PID神經網絡控制器模型算法
9.4.4算法步驟
9.4.5仿真實例
參考文獻