《前馈神经网络及其应用》较系统地介绍了前馈神经网络的网络模型、学习算法、逼近理论，除介绍国内外其他学者的研究成果外，主要介绍作者已公开发表和尚未公开发表的系列研究工作。主要内容包括：前馈神经网络的模型选择、混合专家网络的改进模型、前馈神经网络的改进模型及前馈神经网络的应用。

前言<br /><br />符号说明<br /><br />第1章&nbsp;绪论<br /><br />1．1&nbsp;有监督学习和无监督学习<br /><br />1．1．1&nbsp;有监督学习<br /><br />1．1．2&nbsp;无监督学习<br /><br />1．2&nbsp;神经网络的分类<br /><br />1．2．1&nbsp;前馈神经网络<br /><br />1．2．2&nbsp;反馈神经网络<br /><br />1．3&nbsp;前馈神经网络的模型选择与混合策略<br /><br />1．3．1&nbsp;前馈神经网络的模型选择<br /><br />1．3．2&nbsp;前馈神经网络的混合策略<br /><br />参考文献<br /><br />第2章&nbsp;有监督学习前馈神经网络<br /><br />2．1&nbsp;多层感知器神经网络<br /><br />2．1．1&nbsp;网络结构<br /><br />2．1．2&nbsp;学习算法<br /><br />2．1．3&nbsp;逼近理论<br /><br />2．2&nbsp;径向基函数神经网络<br /><br />2．2．1&nbsp;网络结构<br /><br />2．2．2&nbsp;学习算法<br /><br />2．2．3&nbsp;逼近理论<br /><br />2．3&nbsp;切比雪夫神经网络<br /><br />2．3．1&nbsp;网络结构<br /><br />2．3．2&nbsp;学习算法<br /><br />2．3．3&nbsp;逼近理论<br /><br />2．4&nbsp;支持向量机<br /><br />2．4．1&nbsp;网络结构<br /><br />2．4．2&nbsp;学习算法<br /><br />5．2．1&nbsp;椭球基函数神经网络<br /><br />5．2．2&nbsp;椭球基函数神经网络的混合学习策略<br /><br />5．2．3&nbsp;数值实验<br /><br />5．3&nbsp;基于互信息的特征加权支持向量机<br /><br />5．3．1&nbsp;基于互信息的特征权重估计<br /><br />2．4．3&nbsp;逼近理论<br /><br />参考文献<br /><br />第3章&nbsp;无监督学习前馈神经网络<br /><br />3．1&nbsp;自组织映射神经网络<br /><br />3．1．1&nbsp;网络结构<br /><br />3．1．2&nbsp;学习算法<br /><br />3．1．3&nbsp;核自组织映射神经网络<br /><br />3．2&nbsp;神经气网络<br /><br />3．2．1&nbsp;学习算法<br /><br />3．2．2&nbsp;核神经气网络<br /><br />3．2．3&nbsp;生长型神经气网络<br /><br />3．3&nbsp;主成分分析及其改进方法<br /><br />3．3．1&nbsp;主成分分析<br /><br />3．3．2&nbsp;核主成分分析<br /><br />3．3．3&nbsp;二维主成分分析<br /><br />参考文献<br /><br />第4章&nbsp;前馈神经网络的模型选择<br /><br />4．1&nbsp;基于假设检验的方法<br /><br />4．1．1&nbsp;Wald-检验<br /><br />4．1．2&nbsp;LM-检验<br /><br />4．2&nbsp;基于信息准则的方法<br /><br />4．2．1&nbsp;AIC准则和BIC准则<br /><br />4．2．2&nbsp;最小描述长度和交叉验证<br /><br />4．3&nbsp;基于敏感度分析的方法<br /><br />4．3．1&nbsp;基于偏导数的敏感度分析方法<br /><br />4．3．2&nbsp;基于随机分析的敏感度分析方法<br /><br />4．4&nbsp;基于互信息的方法<br /><br />4．4．1&nbsp;互信息及其估计<br /><br />4．4．2&nbsp;基于互信息的多层感知器两阶段构造方法<br /><br />参考文献<br /><br />第5章&nbsp;单个前馈神经网络<br /><br />5．1&nbsp;基于正则化相关熵的径向基函数神经网络学习方法<br /><br />5．1．1&nbsp;正则化相关熵准则<br /><br />5．1．2&nbsp;数值实验<br /><br />5．2&nbsp;椭球基函数神经网络的混合学习方法<br /><br />5．3．2&nbsp;特征加权支持向量机<br /><br />5．3．3&nbsp;数值实验<br /><br />参考文献<br /><br />第6章&nbsp;混合前馈神经网络<br /><br />6．1高斯、Sigmoid、切比雪夫混合前馈神经网络<br /><br />6．1．1&nbsp;Gauss．Sigmoid神经网络<br /><br />6．1．2&nbsp;高斯一切比雪夫神经网络<br /><br />6．1．3&nbsp;数值实验<br /><br />6．2&nbsp;基于自适应模糊c均值的混合专家模型<br /><br />6．2．1基于P：BMF．index的模糊c均值聚类算法<br /><br />6．2．2&nbsp;结构描述和实现方法<br /><br />6．2．3&nbsp;数值实验<br /><br />参考文献<br /><br />第7章&nbsp;前馈神经网络的应用<br /><br />7．1&nbsp;前馈神经网络在人脸识别中的应用<br /><br />7．2&nbsp;前馈神经网络在非线性时间序列预测中的应用<br /><br />7．3&nbsp;前馈神经网络在图像分割中的应用<br /><br />7．4&nbsp;前馈神经网络在异常检测中的应用<br /><br />参考文献<br /><br />附录&nbsp;部分前馈神经网络的Matlab源代码<br /><br />附录1&nbsp;基本模型<br /><br />附录2&nbsp;模型选择<br /><br />附录3&nbsp;改进模型<br /><br />索引