神经网络 计算机科学,神经网络 - 计算机科学与技术学院.doc

神经网络 - 计算机科学与技术学院

研究生课程教学大纲

《神经网络》

《Neural Network》

36 学时； 2 学分

一、课程简介

神经网络是一门发展迅速的前沿交叉学科，它是模拟生物神经结构及其智能的新型信息处理系统。至今，国内外人工神经网络的研究仍然方兴未艾，其研究成果已被用于许多学科领域。本课程通过对人工神经网络及其基本网络模型的介绍，使学生了解和掌握人工神经网络的基本概念、单层网、多层网、反馈网等各种基本网络模型的结构、特点、训练算法、运行方式、设计要点、典型应用、软件实现方法等，学会用神经网络去解决实际问题，了解人工神经网络的发展动向和应用前景。

神经网络为专业选修课程，目的是拓宽学生思路1. 概述()重点：人工神经网络的基本概念和特征

难点：人工神经网络计算和传统计算的比较1) 人工神经网络的基本概念和特征

2) 人工神经网络研究的发展

3) 人工神经网络构成的基本原理和功能

4) 人工神经网络的分类、工作过程和模型

5) 人工神经网络计算和传统计算的比较

6) 研究人工神经网络的意义

2. 神经网络的学习规则和最简单的感知器(学时)重点：学习算法

难点：学习规则1) 神经网络常用的学习规则

2) 最简单的感知器、学习算法及其局限性

3. 多层前馈型神经网络(学时)重点：多层感知器的Delta学习规则

难点：广义的Delta学习规则1) 线性不可分的模式分类

2) 多层感知器的Delta学习规则

3) 广义的Delta学习规则4. BP网络(学时)重点：误差反传训练算法

难点：隐含层数和层内单元(节点)数的确定1) 基本BP算法及理论推导

2) BP算法的若干改进

3) 隐含层数和层内单元(节点)数的确定

4) 基于BP算法的ANN网络的应用

5. 循环神经网络(学时)统计Hopfield网和Boltzmann机重点：Hopfield神经网络工作原理

难点：Hopfield神经网络能量函数1) Hopfield神经网络

2) 双联存储器结构

3) 统计Hopfield网和Boltzmann机6. 自组织神经网络(学时)重点：ART的实现

难点：ART自组织神经网络工作原理[1] 蒋宗礼. 人工神经网络导论. 北京: 高等教育出版社, 2001.

[] Simon Haykin著.申富饶，徐烨，郑俊，晁静译.神经网络与机器学习.北京：机械工业出版社，2011.[3] Juha Vesanto and Esa Alhoniemi, “Clustering of the self-organizing Map,” IEEE Transactions On Neural Networks, Vol. 11, no. 3, pp.586-600, 2000.

[4] Nicolaos B. Karayiannis,James C. Bezdek,Nikhil R. Pal, Richard J. Hathaway, and Pin-I Pai, “Repairs to GLVQ:A new family of competitive learning schemes, ”IEEE Transactions On Neural networks,Vol. 7,no. 5,pp.1062-1071, 1996.

[5] Jari A. Kangas,Teuvo K. Kohonen and Jorma T. Laaksonen, “Variants of self-organizing maps, ” IEEE Transactions On Neural networks,Vol. 1,no. 1,pp.93-99, 1990.

[6] Lane M. D. Owsley, Les E. Atlas, and Gary D. Bernard, “Self-organizing feature maps and hidden markov models for machine-tool monitoring, ” IEEE Transactions On Signal Processing, Vol. 45, no. 11,pp.2787-2798, 1997.

[7] Wei C. Fahn C, “The multisynapse neural network and its application to fuzzy clustering, ”IEEE Transactions On Neural networks, Vol. 13, no. 3,pp. 600-618,2002.

[8] Yu J., Hao P.W., “Comments on The multisynapse neural network and its application