本书是一部优秀的教材，着重讲述人工神经网络基本原理以及如何运用各种神经计算技术来解决科学和工程领域中的现实问题：模式识别、最优化、事件分类、非线性系统的控制和识别以及统计分析等。算法——大多数训练算法都用上下框线框出，便于读者查找 MATLAB函数——一些训练算法有一个附带的MATLAB函数实现(在文中用黑体字显示)。代码部分相对简短，仅用几分钟就可以输入MATLAB MATLAB Toolbox——书中大量使用MATLAB的Neural Network Toolbox来举例说明某些神经计算概念 Web站点——登录本书的Web站点http：／／www．mhhe．com／engcs／electrical／ham可获取最新、最全面的信息示例——在大多数章节中都给出了详尽的示例，阐释重要的神经计算概念 习题集——每章最后都给出大量应用神经计算技术的习题。一些习题需要使用MATLAB和MATLAB的Neural Network Toolbox。在某些情况下，还提供了MATLAB函数代码附录——附录A全面介绍了神经计算的数学基础。

About the Authors
Preface
Acknowledgments
List of Important Symbols and Operators
List of Important Abbreviations
PARTI Fundamental Neurocomputing Concepts and
Selected Neural Network Architectures and
Learning Rules
1 Introduction to Neurocomputing
  1.1 What Is Neurocomputing?
  1.2 Historical Notes
  1.3 Neurocomputing and Neuroscience
  1.4 Classification of Neural Networks
  1.5 Guide to the Book
  References
2 Fundamental Neurocomputing Concepts
  2.1 Introduction
  2.2 Basic Models of Artificial Neurons
  2.3 Basic Activation Functions
  2.4 Hopfield Model of the Artificial Neuron
  2.5 Adaline and Madaline
  2.6 Simple Perceptron
  2.7 Feedforward Multilayer Perceptron
  2.8 Overview of Basic Learning Rules for a Single Neuron
  2.9 Data Preprocessing
  Problems
  References
3 Mapping Networks
  3.1 Introduction
  3.2 Associative Memory Networks
  3.3 Backpropagation Learning Algorithms
  3.4 Accelerated Learning Backpropagation Algorithms
  3.5 Counterpropagation
  3.6 Radial Basis Function Neural Networks
  Problems
  References
4 Self-Organizing Networks
  4.1 Introduction
  4.2 Kohonen Self-Organizing Map
  4.3 Learning Vector Quantization
  4.4 Adaptive Resonance Theory (ART) Neural Networks
  Problems
  References
5 Recurrent Networks and Temporal Feedforward Networks
  5.1 Introduction
  5.2 Overview of Recurrent Neural Networks
  5.3 Hopfield Associative Memory
  5.4 Simulated Annealing
  5.5 Boltzmann Machine
  5.6 Overview of Temporal Feedforward Networks
  5.7 Simple Recurrent Network
  5.8 Time-Delay Neural Networks
  5.9 Distributed Time-Lagged Feedforward Neural
  Networks
  Problems
  References
  PART II Applications of Neurocomputing
6 Neural Networks for Optimization Problems
  6.1 Introduction
  6.2 Neural Networks for Linear Programming Problems
  6.3 Neural Networks for Quadratic Programming
  Problems
  6.4 Neural Networks for Nonlinear Continuous
  Constrained Optimization Problems
  Problems
  References
  Solving Matrix Algebra Problems with Neural Networks
  7.1 Introduction
  7.2 Inverse and Pseudoinverse of a Matrix
  7.3 LU Decomposition
  7.4 QR Factorization
  7.5 Schur Decomposition
  7.6 Spectral Factorization - Eigenvalue Decomposition
  (EVD) (Symmetric Eigenvalue Problem)
  7.7 Neural Network Approach for the Symmetric
  Eigenvalue Problem
  7.8 Singular Value Decomposition
  7.9 A Neurocomputing Approach for Solving the
  Algebraic Lyapunov Equation
  7.10 A Neurocomputing Approach for Solving the
  Algebraic Riccati Equation
  Problems
  References
8 Solution of Linear Algebraic Equations Using Neural
  Networks
  8.1 Introduction
  8.2 Systems of Simultaneous Linear Algebraic Equations
  8.3 Least-Squares Solution of Systems of Linear
  Equations
  8.4 A Least-Squares Neurocomputing Approach for
  Solving Systems of Linear Equations
  8.5 Conjugate Gradient Learning Rule for Solving
  Systems of Linear Equations
  8.6 A Generalized Robust Approach for Solving
  Systems of Linear Equations Corrupted with Noise
  8.7 Regularization Methods for Ill-Posed Problems with
  Ill-Determined Numerical Rank
  8.8 Matrix Splittings for Iterative Discrete-Time
  Methods for Solving Linear Equations
  8.9 Total Least-Squares problem
  8.10 An L-Norm (Minimax) Neural Network for
  Solving Linear Equations
  8.11 An L1-Norm (Least-Absolute-Deviations) Neural
  Network for Solving Linear Equations
  Problems
  References
9 Statistical Methods Using Neural Networks
  9.1 Introduction
  9.2 Principal-Component Analysis
  9.3 Learning Algorithms for Neural Network Adaptive
  Estimation of Principal Components
  9.4 Principal-Component Regression
  9.5 Partial Least-Squares Regression
  9.6 A Neural Network Approach for Partial
  Least-Squares Regression
  9.7 Robust PLSR: A Neural Network Approach
  Problems
  References
10 Identification, Control, and Estimation Using Neural Networks
  10.1 Introduction
  10.2 Linear System Representation
  10.3 Autoregressive Moving Average Models
  10.4 Identification of Linear Systems with ARMA Models
  10.5 Parametric System Identification of Linear Systems Using PLSNET
  10.6 Nonlinear System Representation
  10.7 Identification and Control of Nonlinear Dynamical Systems
  10.8 Independent-Component Analysis: Blind Separation of Unknown Source Signals
  10.9 Spectrum Estimation of Sinusoids in Additive Noise
  10.10 Other Case Studies
Problems
References
App A Mathematical Foundation for Neurocomputing
A.1 Introduction
A.2 Linear Algebra
A.3 Principles of Multivariable Analysis
A.4 Lyapunov's Direct Method
A.5 Unconstrained Optimization Methods
A.6 Constrained Nonlinear Programming
A.7 Random Variables and Stochastic Processes
A.8 Fuzzy Set Theory
A.9 Selected Trigonometric Identities
References
Name Index
Subject Index