第一篇 基本概念

第一章 说明

1.1 向信息学习

1.2 总体目的和概念

1.3 神经网络适宜做什么

1.4 符号、惯例与缩写

第二章 神经元

2.1 突触和输入信号

2.2 权重

2.3 线性学习机

2.4 神经元中的转换函数

2.5 偏置量

2.6 人工神经元的图示

2.7 要点

2.8 参考文献和建议读物

第三章 联接神经元成网络

3.1 概述

3.2 一个层

3.3 输入

3.4 结构

3.5 隐含层,输出层

3.6 神经网络的图示

3.7 要点

3.8 参考文献和建议读物

4.2 结构

4.1 概述

第四章 Hopfield网络

第二篇 单层网络

4.3 转换函数

4.4 权重矩阵

4.5 迭代

4.6 Hopfield网络的容量

4.7 要点

4.8 参考文献和建议读物

第五章 自适应双向联想记忆（ABAM）

5.1 无监督与有监督学习

5.2 概述

5.3 ABAM过程

5.4 学习过程

5.5 一个例子

5.6 例子的意义

5.7 要点

5.8 参考文献和建议读物

第六章 Kohonet网络

6.1 概述

6.2 结构

6.3 竞争学习

6.4 从三维向二维的映射

6.5 另一个例子

6.6 备注

6.7 要点

6.8 参考文献和建议读物

第三篇 多层网络

第七章 对传网络

7.1 从一层至两层的转变

7.2 查询表

7.3 结构

7.4 有监督的竞争学习

7.5 学习打网球

7.6 变量中的相关性

7.7 要点

7.8 参考文献和建议读物

第八章 误差反向传播算法

8.1 概述

8.2 结构

8.3 用误差反向传播法学习

8.4 广义的Delta规则

8.5 学习算法

8.6 例子:网球比赛

8.7 要点

8.8 参考文献和建议读物

第四篇 应用

第九章 化学应用的总体评论

9.1 导论

9.2 分类

9.3 模型化

9.4 映射

9.5 联想,移动窗口

9.6 对十至十九章中范例的概述

9.7 要点

9.8 参考文献和建议读物

第十章 橄榄油多组分析数据的聚类

10.1 问题

10.2 数据

10.3 可能性网络的初步探讨

10.4 学习进行预测

10.5 要点

10.6 参考文献和建议读物

第十一章 化学键反应性

11.1 问题和数据

11.2 用于误差反向传播学习的网络结构

11.3 用实验设计技术选择训练集

11.4 Kohonen学习的应用

11.5 经过训练的多层网络的应用

11.6 Kohonen图的化学意义

11.7 参考文献和建议读物

第十二章 酒分析的HPLC优化

12.1 模型化问题

12.2 用标准方法模拟HPLC流动相

12.3 用神经网络模拟HPLC流动相

12.4 具有同等结构的两个网络的比较

12.5 参考文献和建议读物

13.2 数据集

第十三章 定量的构效关系

13.1 问题

13.3 结构和学习过程

13.4 方法的展望

13.5 参考文献和建议读物

第十四章 亲电芳香族取代反应

14.1 问题

14.2 数据

14.3 网络

14.4 学习结果

14.5 数据的第三种表示方法

14.6 要点

14.7 参考文献和建议读物

第十五章 涂料制法的模型化和最优化

15.1 问题

15.2 数据

15.3 网络训练

15.4 模型

15.5 参考文献和建议读物

第十六章 故障检测和过程控制

16.1 问题

16.2 数据

16.3 方法

16.4 故障的预测

16.5 连续搅拌反应的建模和控制

16.6 参考文献和建议读物

第十七章 蛋白质的二级结构

17.1 问题

17.2 作为输入数据的氨基酸表示法

17.3 网络的构造

17.4 学习和预测

17.5 参考文献和建议读物

第十八章 红外谱—结构相关

18.1 问题

18.2 红外光谱强度表示法

18.3 数据集和用BP算法进行的学习

18.4 红外光谱的可调节表征方法

18.5 用Fourier或Hadamard系数的截断集表征光谱

18.6 Kohonen学习的结果

18.7 参考文献和建议读物

第十九章 分子静电势的非线性投影

19.1 问题

19.2 网络结构和训练

19.3 用Kohonen图进行拼铺,构像效应

19.4 生物神经网络受到的研究

19.5 参考文献和建议读物

第二十章 神经网络化学反应展望