《人工神经网络》教学大纲-0526Word格式文档下载.doc
《《人工神经网络》教学大纲-0526Word格式文档下载.doc》由会员分享，可在线阅读，更多相关《《人工神经网络》教学大纲-0526Word格式文档下载.doc（6页珍藏版）》请在冰豆网上搜索。
二、课程的教学基本要求
本课程基于简明易懂、便于软件实现、鼓励探索的原则介绍人工神经网络的基本模型、拓扑结构和特性等。
要求学生熟悉常见的人工神经网络的结构和特性，包括智能系统描述模型、人工神经网络方法的特点等。
在本课程有限学时内,要求学生重点掌握下列几方面的知识。
（1）神经网络模型的基本理论；
（2）神经网络的结构设计﹑实现算法；
（3）基于MATLAB的神经网络实现技术平台；
（4）神经网络在工程中的应用背景和实例；
（5）神经网络理论的发展与前沿问题。
三、相关课程
本课程的学习，要求学生具备：
数值分析、线性代数、高级语言程序设计等方面的基础知识。
四、主要讲授内容
第一章绪论（2学时）
（一）目的与要求
介绍神经网络系统的发展史，阐述其基本功能和发展趋势等。
1．了解生物神经元和神经网络简述；
2．了解神经网络的基本结构；
3．掌握神经网络的含义、特点和应用。
（二）教学内容
1.学习神经网络的目的。
2.神经网络发展历史。
3.神经网络应用：
航空、电子、金融、医疗、机器人等。
4.生物学的启示。
5.要求学生了解神经网络发展历史、神经网络应用。
第二章神经元模型和网络结构（2学时）
介绍简化的神经元数学模型，并解释这些人工神经元如何相互连接形成各种神经网络结构。
1．熟悉神经元数学模型；
2．熟悉人工神经元如何相互连接。
1．介绍在神经网络方面常用的符号。
2．介绍神经网络模型。
3．网络结构。
第三章一个实例说明（2学时）
给出一个模式识别的简单问题，并说明如何用三种不同结构的神经网络来求解这个问题。
1．给出模式识别的简单问题；
2．三种不同结构的神经网络来求解这个问题。
要求学生了解一个非常重要的实际问题，感知机的工作原理，对Hamming网络进行简单的介绍。
1．问题的描述。
2．感知机。
3．Hamming网络。
）
第四章感知机学习规则（4学时）
介绍一种用于训练感知机网络的算法，使感知机能够学习求解分类问题。
1．熟悉学习规则分类；
2．熟悉学习规则的基本结构；
3．掌握学习规则的数学推理。
1．理论与实例
介绍学习规则的理论依据，通过举例来说明。
2.学习规则分类
有监督的学习，增强学习，无监督的学习。
3.感知机的结构
单神经网络感知机，多神经网络感知机。
4.感知机学习规则
测试问题，学习规则的构造，统一的学习规则，多神经元感知机的训练。
第五章信号与权值向量空间（2学时）
详细研究这些向量空间，并且复习一些对分析神经网络十分有用的向量空间性质。
1．熟悉线性向量空间的相关概念；
2．熟悉内积、正交性等概念。
1．线性向量空间。
2．线性无关。
3．生成空间。
4．内积。
5.范数。
6.正交性。
第六章神经网络中的线性变换（2学时）
研究一般的线性变换及其基本特点。
1．熟悉线性变换概念；
2．熟悉特征值、特征向量等概念。
1.线性变换。
2.矩阵表示。
3.基变换。
4.特征值和特征向量。
第七章有监督的Hebb学习（4学时）
本章先阐述Hebb学习的工作原理，并说明如何把Hebb规则用于训练人工神经网络。
1．熟悉Hebb学习的工作原理；
2．理解如何把Hebb规则用于训练人工神经网络。
1.理论与实例。
2.线性联想器。
3.Hebb规则。
第八章性能曲面和最优点（2学时）
研究性能曲面，并确定性能曲面存在极大点和极小点的条件。
1．熟悉相关概念；
2．确定性能曲面存在极大点和极小点的条件。
1.泰勒级数。
2.方向导数。
3.极小点。
4.优化的必要条件。
5.二次函数。
第九章性能优化（4学时）
应用泰勒级数展开寻找定位最优点的算法。
将讨论三种优化算法：
最速下降法；
牛顿法和共轭梯度法。
1．最速下降法。
2．牛顿法。
3．共轭梯度法。
第十章Widrow-Hoff学习算法（4学时）
把性能学习的原理用于单层线性神经网络。
这种学习方法的重要性在于两点：
1．它被广泛使用于现在的信号处理应用中；
2．它是多层网络中BP算法的先驱。
1.ADALINE网络。
2.均方误差。
3.LMS算法。
4.收敛性分析。
5.自适应滤波。
第十一章反向传播（4学时）
给出一个更一般的LMS算法，，它可以用来训练多层网络。
1．熟悉多层感知机的概念；
2．熟悉一些基本算法。
1.多层感知机。
2.向传播算法。
3.举例来说明。
五、教学环节学时分配
1.教学环节及学时分配
序号
教学内容
课时分配
讲授
实验
专题
研讨
案例
研究
团队
项目
小计
1
第一章绪论
2
第二章神经元模型和网络结构
3
第三章一个实例说明
4
第四章感知机学习规则
5
第五章信号与权值向量空间
6
第六章神经网络中的线性变换
7
第七章有监督的Hebb学习
8
第八章性能曲面和最优点
9
第九章性能优化
10
第十章Widrow-Hoff学习算法
11
第十一章反向传播
合计
22
32
2.其他教学环节（包括专题研讨、案例研究和团队项目）的具体内容、目的、要求及学时分配需要做具体说明，原则上其他教学环节的学时数不低于总学时数的30%。
专题研讨一：
感知机学习规则2学时
内容、目的及要求：
提前布置作业，课堂讨论人工神经网络发展历史及主要学派和代表人物，进而讨论感知机学习规则及其应用领域，最后要求学生表达出本人所感兴趣的研究内容。
专题研讨二：
性能优化2学时
神经网络训练过程实质是性能优化问题。
各种训练方法各具特点、各有优劣，并有其适用领域，讨论围绕在解决具体问题时，应当如何把握问题要旨，综合考虑；
如何选取适当的训练规则。
案例研究一：
有监督的Hebb学习2学时
以实际例子应用有监督的Hebb学习规则求取实际问题的答案，掌握有监督的Hebb学习规则，并讨论这种方法存在的问题及解决方法。
案例研究二：
Widrow-Hoff学习算法2学时
以实际例子应用Widrow-Hoff学习算法求取实际问题的答案，掌握Widrow-Hoff学习算法，并讨论这种方法存在的问题及解决方法。
案例研究三：
反向传播2学时
以实际例子应用反向传播求取实际问题的答案，掌握反向传播的基本原理及算法实现，并讨论这种方法存在的问题并引出解决这些问题的改进算法。
六、成绩考核
本课程考核方式为考查，根据平时的考勤、作业、课堂讨论和研究报告评定成绩。
平时考勤20%，作业、课堂讨论和学术交流30%，研究报告50%。
七、课程教材及主要参考书
1.（美）MartinT.Hagan,HowardB.Demuth,MarkH.Beale著，戴葵等译，神经网络设计，机械工业出版社，2003年3月；
2.飞思科技产品研发中心编著，神经网络理论与MATLAB7实现，电子工业出版社,2005年3月；
3.蒋宗礼编著，人工神经网络导论，高等教育出版社，2001年8月；
4.王旭、王宏、王文辉编著，人工神经元网络原理与应用，东北大学出版社，2000年12月。
八、教学说明或建议
教学内容、方法和手段的创新性、研究生学习新知识、新方法的途径、方式等。
责
任
表
撰写人
硕士点
负责人
参加讨
论人员
院长签字：
日期：
（除标题外的正文部分均用宋体五号字）
升级会员 