人工智能之路
　

神经计算科学

          ——在细胞的水平上模拟脑功能

　

内容简介

神经计算科学是人工智能的重要组成部份。

神经计算科学是“神经”+“计算”的科学，是在细胞的水平上模拟动物或人的脑结构和脑功能
的科学，是关于人工神经系统或人工神经网络的原理、结构和功能的科学。

《神经计算科学》讲述神经计算科学的发展历史，讲述神经计算科学的元素，以及拓扑和
组织，解析十大经典人工神经系统：MP模型、感知器、自适应性神经元网络、误差往回传播
网络、小脑算术计算模型、径向基函数网络、Hopfield 网络、Boltzmann 机、自组织特征图，以
及自适应谐振理论模型。《神经计算科学》在解析神经计算模型的过程中讲述神经计算实例，
特别的，其人工神经系统在机器人系统中应用的实例展现了人工神经系统作为人工脑在机器人
系统中所发挥的智慧源泉的作用。

《神经计算科学》可供从事人工智能和认知科学、机器人学和自动控制，以及模式识别与
图像处理研究的科技工作者学习或参考，并且，可作为大学高年级学生或研究生人工智能课的
教材。

目录

第 1 章   概述

       1.1   什么是神经计算

       1.2   为什么研究神经计算

       1.3   神经计算的特性

       1.4   神经计算科学的发展历程

       1.5   阅读指南

第 2 章   神经计算的生理学基础

    引言

       2.1   生物神经系统概貌

       2.2   生物神经元

       2.3   神经冲动

       2.4   细胞膜传导

       2.5   突触与突触传导

       2.6   生物神经网络

       2.7   学习和记忆的神经机制

    章结

第 3 章   神经计算的元素：人工神经元

    引言

       3.1   神经细胞模型

       3.2   人工神经元的定义

       3.3   人工神经元解析

       3.4   人工神经元的归纳

    章结

第 4 章   神经计算的拓扑：人工神经网络

    引言

       4.1   神经网络与图论

       4.2   神经系统的概念模型

       4.3   神经计算模型的复杂性

       4.4   神经计算模型的并行度

    章结

第 5 章   神经计算的组织：人工神经系统的学习机制

    引言

       5.1   脑与自组织

       5.2   信息系统与广义自组织

       5.3   熵与信息和自组织

       5.4   神经计算与信息熵和自组织

       5.5   神经计算与学习机制

    章结

第 6 章   Hebb学习

    引言

       6.1   Hebb突触与Hebb猜想

       6.2   形式化的Hebb猜想：Hebb学习律

       6.3   Hebb学习律的发展

       6.4   反Hebb学习

       6.5   Pavlov实验与Hebb突触修饰

       6.6   Hebb学习与竞争学习模型

       6.7   Hebb学习与联想记忆模型

       6.8   Hebb学习与强化学习模型

    章结

第 7 章   McCulloch-Pitts模型：第一个人工神经系统

    引言

       7.1   McCulloch-Pitts神经元

       7.2   McCulloch-Pitts神经网络

       7.3   McCulloch-Pitts计算

       7.4   McCulloch-Pitts模型的等效系统

       7.5   McCulloch-Pitts模型与有限状态机

    章结

第 8 章   感知器

    引言

       8.1   感知器的思想基础

       8.2   感知器的体系结构和计算机制

       8.3   感知器的实现和自组织

       8.4   感知器的记忆和学习特性分析

       8.5   感知器与线性不可分问题

       8.6   多层感知器：突破线性可分局限性

    章结

第 9 章   自适应线性神经元网络

    引言

       9.1   ADALINE网络的体系结构和计算机制

       9.2   Widrow-Hoff学习

       9.3   ADALINE网络特性分析

       9.4   ADALINE网络与宇宙飞行器姿态控制

    章结

第 10 章  误差往回传播网络

    引言

       10.1 BP网络的体系结构和计算机制

       10.2 Back-Propagation (BP) 学习

       10.3 BP网络与非线性映射的表达

       10.4 BP网络的记忆容量问题

       10.5 BP算法的改进

       10.6 BP网络与机器人环形巡航

    章结

第 11 章  小脑算术计算模型：CMAC神经网络

    引言

       11.1 小脑与Albus理论

       11.2 CMAC的体系结构和运行机制

       11.3 CMAC学习

       11.4 CMAC模型的性能分析

       11.5 CMAC模型与机器人手眼协调控制

    章结

第 12 章  径向基函数网络

    引言

       12.1 RBF插值计算

       12.2 RBF神经计算

       12.3 RBF网络的性能分析

       12.4 RBF网络与摘水果的机器人

    章结

第 13 章  Hopfield网络

    引言

       13.1 Hopfield网络的体系结构和计算机制

       13.2 Hopfield网络的稳定性及其能量函数

       13.3 Hopfield网络的设计与学习

       13.4 连续型Hopfield网络

       13.5 双向联想记忆模型

       13.6 Hopfield网络与联想记忆

       13.7 Hopfield网络与优化计算

       13.8 Hopfield网络与Wiener机器蠕虫

    章结

第 14 章  Boltzmann机

    引言

       14.1 统计物理学与能量和信息

       14.2 Boltzmann机的体系结构

       14.3 Boltzmann机的运行机制

       14.4 Boltzmann学习

       14.5 平均场理论与确定型Boltzmann机

       14.6 Boltzmann机与计算

       14.7 Boltzmann机与Walter机器龟

    章结

第 15 章  自组织特征图

    引言

       15.1 SOM图的神经生理学意义

       15.2 SOM图的体系结构

       15.3 SOM图的运行机制

       15.4 SOM图与拓扑映射

       15.5 SOM图与TSP问题

       15.6 SOM图与机器人路径规划

    章结

第 16 章  自适应谐振理论与ART系统

    引言

       16.1 生物视神经系统的启示

       16.2 Grossberg网络：模拟视觉系统

       16.3 自适应谐振理论

       16.4 自适应谐振理论的实现之一：ART1

       16.5 自适应谐振理论的实现之二：ART2

       16.6 ART系统与机器人的“感知－行动”

    章结

结束语：神经计算到底能做什么？

C.1 Turing机与Church-Turing论断

C.2 Turing机与Von Neumann机

C.3 Turing机与神经计算

C.4 神经计算机

C.5 简略的回顾与展望

附录A：参考文献

附录B：索引