《神经网络》系统地论述了神经网络的基本原理、方法、技术和应用，主要内容包括：神经信息处理的基本原理、感知器、反向传播网络、自组织网络、递归网络、径向基函数网络、核函数方法、神经网络集成、模糊神经网络、概率神经网络、脉冲耦合神经网络、神经场理论、神经元集群以及神经计算机。每章末附有习题，书末附有详细的参考文献。神经网络是通过对人脑或生物神经网络的抽象和建模，研究非程序的、适应性的、大脑风格的信息处理的本质和能力。它以脑科学和认知神经科学的研究成果为基础，拓展智能信息处理的方法，为解决复杂问题和智能控制提供有效的途径，是智能科学和计算智能的重要部分。
　　《神经网络》内容丰富，反映了当前国内外该领域的最新研究成果和动向，可作为高等院校相关专业研究生及高年级本科生的神经网络、神经计算课程的教材，也可供从事神经网络、智能信息处理、模式识别、智能控制研究与应用的科技人员参考。

　　正因为如此，神经科学受到世界各发达国家的高度重视。美国国会通过决议将1990年1月5日开始的10年定为“脑的十年”。国际脑研究组织号召它的成员国将“脑的十年”变为全球行动。美国国防部高级研究计划局（DARPA）制定的8年研究计划中，神经网络是重要的方向。1986年日本政府提出了“人类前沿科学计划”（HFSP）研究计划，1992年提出“真实世界计算”（RWC）研究计划。德国从1988年开始执行“神经信息论”的研究计划。
　　脑科学、神经生理学、病理学主要研究神经网络的生理机理，如神经元、突触、化学递质、脑组织等的构成和工作过程。而认知科学、计算机科学主要探索人脑信息处理的微结构理论，寻求新的途径，解决当前计算机和传统人工智能难以处理的问题。以此为背景，以人工神经网络为基础，形成了神经网络的新学科。
　　目前，对大脑思维的过程了解仍然很肤浅，人工神经网络模拟的研究还很不充分，人们面临的是一个充满未知的新领域。神经网络将在基本原理方面进行更深刻的探索。
　　神经网络的发展与神经科学、认知科学、计算机科学、人工智能、信息科学、机器人学、微电子学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。神经网络研究的主要目标如下：
　　①理解脑系统为何具有智能。这些计算与符号表示的形式操作处理不同，人脑是如何组织和实施这些“计算”的。
　　②研究各种强调“计算能力”的神经网络模型，并不着重于这些模型的生物学保真程度。
　　③研究大规模并行自适应处理的机理。
　　④研究神经计算机的体系结构和实现技术。

第1章 绪论
1.1 概述
1.2 神经网络的研究历史
1.3 人脑的神经系统
1.3.1 神经元
1.3.2 突触
1.3.3 动作电位
1.3.4 离子通道
1.4 神经信息处理的基本原理
1.5 简单的神经网络模型
1.5.1 简单线性模型
1.5.2 线性阈值单元
1.5.3 盒中脑状态
1.5.4 热力学模型
1.6 神经网络的研究内容
1.7 神经网络的分类
1.8 神经网络研究的发展方向
习题

第2章 感知器
2.1 感知器的认知观点
2.2 单层感知器
2.2.1 单层感知器网络结构
2.2.2 感知器的学习算法
2.2.3 感知器算法的收敛性
2.2.4 异或问题
2.3 多层感知器
2.4 学习算法的优化
2.4.1 最速下降法
2.4.2 牛顿方法
2.4.3 高斯一牛顿方法
2.5 最小均方(LMS)算法
2.5.1 最小均方算法描述
2.5.2 最小均方算法的收敛性
2.5.3 最小均方算法的评价
习题

第3章 反向传播网络
3.1 概述
3.2 反向传播网络的结构
3.3 反向传播算法
3.3.1 反向传播算法的基本原理
3.3.2 反向传播算法的问题
3.4 反向传播算法性能分析
3.5 反向传播算法的改进
3.5.1 动量反向传播算法
3.5.2 批量更新
3.5.3 搜索然后收敛方法
3.5.4 自适应BP算法
3.5.5 共轭梯度法
3.5.6 拟牛顿法
3.5.7 Levenberg-Marquardt算法
3.6 反向传播网络学习程序
习题

第4章 自组织网络
4.1 概述
4.2 Kohonen自组织映射
4.2.1 自组织映射过程
4.2.2 SOM算法
4.2.3 特征映射
4.2.4 拓扑排序
4.2.5 密度匹配
4.3 学习向量量化
4.4 自适应共振理论神经网络
4.4.1 ART模型的结构
4.4.2 ART的基本工作原理
4.4.3 ART模型的数学描述
4.5 认知器
4.5.1 认知器的结构
4.5.2 新认知器
4.6 主成分分析
4.6.1 基本原理
4.6.2 单个神经元的主成分
4.6.3 单层网络主成分提取
4.6.4 侧抑制自适应主成分提取算法
4.7 独立成分分析
4.7.1 基本概念
4.7.2 独立成分分析神经网络
4.7.3 快速固定点算法
习题

第5章 递归网络
5.1 概述
5.2 递归网络体系结构
5.2.1 输入输出递归网络
5.2.2 状态空间模型
5.2.3 递归多层感知器
5.2.4 二阶网络
5.3 状态空间模型
5.4 Hopfield网络
5.4.1 离散Hopfield网络
5.4.2 联想记忆
5.4.3 离散H0pfield网络运行程序
5.4.4 连续H0p6eld网络
5.5 双向联想记忆模型
5.6 模拟退火算法
5.7 玻尔兹曼机
5.7.1 网络结构
5.7.2 学习算法
习题

第6章 径向基函数网络
6.1 概述
6.2 径向基函数数学基础
6.2.1 插值计算
6.2.2 模式可分性
6.2.3 正则化理论
6.3 径向基函数网络结构
6.3.1 RBF网络拓扑结构
6.3.2 RBF网络元素
6.4 RBF网络算法分析
6.4.1 RBF中心向量确定
6.4.2 RBF算法
6.4.3 RBF网络性能分析
6.5 RBF网络算法优化
6.5.1 基于免疫算法的RBF网络优化
6.5.2 基于遗传算法的RBF网络优化
6.6 CMAC网络
6.7 泛函数连接网络
6.8 小波神经网络
6.9 过程神经网络
6.9.1 过程神经网络模型
6.9.2 学习算法
习题

第7章 核函数方法
7.1 概述
7.2 统计学习问题
7.2.1 经验风险
7.2.2 VC维
7.3 学习过程的一致性
7.3.1 学习一致性的经典定义
7.3.2 学习理论的重要定理
7.3.3 VC熵
7.4 结构风险最小归纳原理
7.5 支持向量机
7.5.1 线性可分
……

第8章 神经网络集成
第9章 模糊神经网络
第10章 概率神经网络
第11章 脉冲耦合神经网络
第12章 神经场理论
第13章 神经元集群
第14章 神经计算机