《粒度神经网络原理及应用》主要从两个方面研究了基于粗糙集的粒度神经网络模型。
　　一种方式是使用粗糙集作为前置系统，利用属性约简算法对数据集进行粒度约简，以简化神经网络的结构，提高神经网络的训练速度和预测精度。另一种方式是利用粗糙集及其扩展模型来提取决策规则，根据提取的规则来定义粒度神经元及其连接权值，实现粗糙集和神经网络的无缝融合。
　　《粒度神经网络原理及应用》力求科学化、实用化和前沿化，使读者能够在有限的时间内了解基于粗糙集的粒度神经网络原理及其应用。
　　《粒度神经网络原理及应用》可作为高等院校计算机科学专业和其他信息类专业研究生的参考书，也可以供相关领域的科技工作者参考。

1 绪论
1.1 研究背景
1.2 国内外研究现状
1.3 存在的问题及本书研究的重点
1.4 本书的主要研究内容和组织结构

2 粗糙集理论基础
2.1 概述
2.2 粗糙集的基本概念
2.3 粗糙集中的知识表示
2.4 知识约简原理
2.5 决策表属性约简算法
2.6 小结

3 基于粗糙集和QPSO算法的粒度BP神经网络
3.1 BP神经网络概述
3.2 基于粗糙集的粒度约简
3.3 粒度BP网络的结构与算法
3.4 实验与分析
3.5 小结

4 基于粗糙集和AP聚类算法的粒度RBF神经网络
4.1 RBF神经网络概述
4.2 粒度RBF神经网络的结构与学习算法
4.3 实验与分析
4.4 小结

5 具有自适应极速学习能力的单隐层粒度神经网络
5.1 ELM概述
5.2 单隐层粒度神经网络的结构
5.3 单隐层粒度神经网络的自适应极速学习算法
5.4 实验与分析
5.5 小结

6 基于粗规则的粒度神经网络
6.1 决策规则的提取
6.2 粗规则粒度神经网络的结构和学习算法
6.3 实验与分析
6.4 小结

7 基于变精度粗糙集的粒度双神经元网络
7.1 变精度粗糙集模型概述
7.2 粒度双神经元结构
7.3 粒度双神经元网络模型
7.4 粒度双神经元网络的进一步优化
7.5 实验与分析
7.6 小结

8 总结与展望
8.1 总结
8.2 展望

参考文献