第1章绪论

1.1认知神经科学

1.2神经计算

神经计算的研究范畴

神经计算的历史与发展

神经计算的几个重要研究领域

1.3本书的主要内容

参考文献

第2章统计学习：神经网络模型

2.1Bayes理论

2.2单层前馈网络和学习规则

感知器训练规则

线性单元的梯度下降规则

随机梯度下降法

线性规划方法

2.3多层网络和反向传播学习规则

反向传播算法

反向传播算法性能分析

改进的反向传播算法

2.4SRM和SVM网络

线性支撑矢量机网络

非线性支撑矢量机网络

参考文献

第3章神经计算进展

3.1Bayes神经网络

Bayes网络

Bayes网络推断

Bayes网络学习

3.2正则学习和RBF神经网络

具有径向基稳定子的正则网络

具有张量稳定子的正则网络

具有加性稳定子的正则网络

正则网络的Bayes解释

径向基神经网络

3.3多尺度分析和子波神经网络

子波理论

多变量函数估计子波网络

正交多分辨子波网络

多子波神经网络

3.4量子神经网络

基于量子双缝干涉实验的计算模型

具有量子力学特性的人工神经元模型

量子联想记忆模型

基于多宇宙观点的计算模型

参考文献

第4章多尺度几何分析与网络

4.1多尺度分析

4.2多尺度几何分析系统中的方向基

4.3脊波

4.4曲线波

4.5轮廓波

4.6Bandelet

4.7Beamlet

4.8Brushlet

4.9Wedgelet

4.10多尺度几何网络

参考文献

第5章自适应脊波网络

5.1引言

5.2自适应连续脊波网络

网络模型和算法

网络收敛性能分析

实验和结果分析

5.3广义正则脊波网络

网络模型和学习算法

实验结果分析

参考文献

第6章方向多分辨脊波网络

6.1引言

6.2脊波框架

6.3方向多分辨脊波网络

网络模型

网络隐层节点数目的确定

网络训练算法

6.4方向多分辨脊波网络的性质

6.5实验和结果分析

参考文献

第7章线性脊波网络

7.1核光滑方法

7.2线性脊波模型

线性脊波网络

学习算法

7.3实验和结果分析

参考文献

第8章脊波核函数网络

8.1引言

8.2脊波核函数网络

8.3脊波核函数网络的学习算法

最小化平方误差算法的正则化核形式

基于遗传算法的方向向量优化

8.4实验和结果分析

参考文献

第9章曲线波网络模型

9.1引言

9.2图像处理中的曲线波变换

9.3曲线波框架的性质

9.4曲线波网络

9.5实验和结果分析

参考文献

第10章轮廓波网络模型

10.1轮廓波网络模型

10.2基于子波包分解的轮廓波包

10.3最优轮廓波包

10.4基于量子遗传算法的最优轮廓波包的构造

量子遗传算法

量子遗传算法优化轮廓波包

10.5最优轮廓波包网络

10.6实验和结果分析

参考文献