神经网络设计课程教学大纲
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
二、课程简介 人工神经网络模型只是生物神经系统的一种高度简化后的近似。它是用大量
的简单神经元广泛互连成的一种计算结构，属于非线性动力学系统.人工神经网 络模型最初是为了探索和复制人脑处理日常事务的能力，例如说话、视觉、信息 处理等，同时也有对实际相似的问题的分类且进行比较好的解释。
近一、二十年来，掀起了一次研究人工神经网络的新高潮以来，引起了许多 领域科学家的高度重视，由于积极开展了大量研究工作，取得了不少突破性进展, 例如系统控制、数据压缩、模式识别、系统鉴别等方面。本课程主要介绍人工神 经网络原理及其应用，同时给出了大量的实例来加以解释。
《神经网络设计》课程教学大纲
一、课程基本信息 课程代码：110437 课程名称：神经网络设计 英文名称：Neural Network Design 课程类别：专业课 学 时：总学时 72 （其中含实验学时：7） 学 分：3.5 适用对象：信息与计算科学、计算机、信息管理、机电工程专业本科 考核方式：考试（闭卷） 先修课程：高等数学、离散数学、数据结构、计算方法、线性代数
*第十三章 联想学习（选学） （一）目的与要求
介绍一组简单规则允许无监督学习，这使网络具有在经常一同出现的 的模式之间学习其中关联的能力。 （二）教学内容
1．简单联想网络。 2．无监督的 Hebb 规则。 3．简单的识别网络。 4．instar 规则。 5．简单回忆网络。 6．outstar 规则。 （三）课后练习 学生自主上机验证书中示例。 （四）教学方法与手段 本课程以课堂教学为主，结合案例分析、课程设计等手段。注重学生 实际开发能力的培养，使学生具有综合运用计算机技术与数据库技术开 发、实用、有效地网络系统的初步能力。
(三)课后练习 上机测试示例中的神经元。
（四）教学方法与手段 本课程以课堂教学为主，结合实例分析、从数学角度详细这些问题的 原理及结构特点。
第四章 感知机学习规则 （一）目的与要求
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。 （二）教学内容 1．理论与实例
Page97：5，8。 （四）教学方法与手段
本课程以课堂教学为主，结合实例分析、课程设计等手段。
第七章 有监督的 Hebb 学习 （一）目的与要求
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。 （二）教学内容 1．理论与实例。 2．线性联想器。 3．Hebb 规则。 （三）课后练习
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。
（三）课后练习
Page57：1，2，5。 （四）教学方法与手段
During the last two decades artificial neural networks have been studied intensively.Some results are obtained in many demains. This has great potential for solving complex problems such as systems control,data compression,optimization problems,pattern recognition,and system identification. Artificial neural networks theory and its application was introduced in the books and many example are given to explain it theory.
阅读神经网络方面的资料。 （四）教学方法与手段
本课程以课堂教学为主，结合模型分析、等手段。
第三章 一个பைடு நூலகம்例说明
（一）目的与要求 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。
（二）教学内容 1．问题的描述。 2．感知机。 3．Hamming 网络。 4．Hamming 网络。 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 网络和 Hamming 网络进行简单的介绍。
*第九章 性能优化（选学） （一）目的与要求
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。 （二）教学内容
1．最速下降法。 2．牛顿法。
3．共轭梯度法。 （三）课后练习
学生自主上机验证书中示例。 （四）教学方法与手段
本课程以课堂教学为主，结合实例分析、课程设计等手段。
本课程以课堂教学为主，结合案例分析、课程设计等手段。注重 学生实际开发能力的培养，使学生具有综合运用计算机技术、建模技 术等初步能力。
*第五章 信号与权值向量空间（选学） （一）目的与要求
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。 （二）教学内容 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。 （三）课后练习
第二章 神经元模型和网络结构 （一）目的与要求
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。 （二）教学内容 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。 要求学生熟悉神经网络的模型和网络结构。 (三)课后练习
*第十四章 竞争网络（选学） （一）目的与要求
本章将讨论一些在结构以及操作上都与 Hamming 网络极为相似的网 络，介绍三种这样的网络：竞争网络；特征图网络和学习矢量量化网络。 （二）教学内容
1．Hamming 网络。 2．竞争层。 3．生物学意义上的竞争层。
4．自组织特征图。 5．学习向量化。 （三）课后练习 学生自主上机验证书中示例。 （四）教学方法与手段 本课程以课堂教学为主，结合实例分析等方法。
*第十章 Widrow-Hoff 学习算法（选学） （一）目的与要求
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。 （二）教学内容 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。 （三）课后练习 学生自主上机验证书中示例。 （四）教学方法与手段 本课程以课堂教学为主，结合实例分析、课程设计等手段。
*第十二章 反向传播算法的变形（自学） （一）目的与要求
介绍一些反向传播算法的变形，能显著提高速度并使算法实用化。 1．了解 BP 算法的缺点； 2．如何加速反向传播的收敛速度。 （二）教学内容 1．BP 算法的缺点。 2．BP 算法的启发式改进。 3．数值优化技术。 （三）课后练习 学生自主上机验证书改进的 BP 算法。 （四）教学方法与手段 本课程以课堂教学为主，结合实例分析、课程设计等手段。
Page77：8，9。 （四）教学方法与手段
本课程以课堂教学为主，例题讲解分析为辅等手段。
*第六章 神经网络中的线性变换（选学） （一）目的与要求
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。 （二）教学内容
1．线性变换。 2．矩阵表示。 3．基变换。 4．特征值和特征向量。 （三）课后练习
第十一章 反向传播 （一）目的与要求
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。 （二）教学内容 1．多层感知机。 2．反向传播算法。 3．举例来说明。 （三）课后练习 学生自主上机验证书中示例，以 BP 算法为主。 （四）教学方法与手段 本课程以课堂教学为主，结合实例分析相结合。
四、课程教学的主要内容与基本要求 第一章 绪论 （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。 (三)课后练习 查找神经网络方面的资料。 （四）教学方法与手段 本课程以课堂教学为主，结合已经存在的资料来介绍该课程的核心内容。
Page118：6。 （四）教学方法与手段
本课程以课堂教学为主，结合案例分析、课程设计等手段。注重学 生实际开发能力的培养，使学生具有综合运用计算机技术、建模技术等。
*第八章 性能曲面和最优点（选学） （一）目的与要求
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。 （二）教学内容 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。 （三）实践环节与课后练习 学生自主上机验证书中示例。 （四）教学方法与手段 本课程以课堂教学为主，结合实例分析、课程设计等手段。
三、课程性质与教学目的 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。
*第十五章 Grossberg 网络（选学） （一）目的与要求
Grossberg 网络是一种自组织连续的竞争网络，这是第一次讨论连续 递归网络，并且将引入一些概念，Grossberg 网络也是在以后要讨论的自适 应谐振理论（ART）网络的基础。 （二）教学内容
Artificial neural networks are computational paradigms which implement simplified models of their biological counterparts,biological neural networks. Artificial neural networks are the local assemblages of neurons and their dendritic connections that form the human brain.It is classified nonlinear dynamic system by mathematics. Although the initial intent of artificial neural networks was to explore and reproduce human information processing tasks such as speech,vision,and knowledge processing,artificial neural networks also demonstrated their superior capability for classification and function approximation problems.
的简单神经元广泛互连成的一种计算结构，属于非线性动力学系统.人工神经网 络模型最初是为了探索和复制人脑处理日常事务的能力，例如说话、视觉、信息 处理等，同时也有对实际相似的问题的分类且进行比较好的解释。
近一、二十年来，掀起了一次研究人工神经网络的新高潮以来，引起了许多 领域科学家的高度重视，由于积极开展了大量研究工作，取得了不少突破性进展, 例如系统控制、数据压缩、模式识别、系统鉴别等方面。本课程主要介绍人工神 经网络原理及其应用，同时给出了大量的实例来加以解释。
《神经网络设计》课程教学大纲
一、课程基本信息 课程代码：110437 课程名称：神经网络设计 英文名称：Neural Network Design 课程类别：专业课 学 时：总学时 72 （其中含实验学时：7） 学 分：3.5 适用对象：信息与计算科学、计算机、信息管理、机电工程专业本科 考核方式：考试（闭卷） 先修课程：高等数学、离散数学、数据结构、计算方法、线性代数
*第十三章 联想学习（选学） （一）目的与要求
介绍一组简单规则允许无监督学习，这使网络具有在经常一同出现的 的模式之间学习其中关联的能力。 （二）教学内容
1．简单联想网络。 2．无监督的 Hebb 规则。 3．简单的识别网络。 4．instar 规则。 5．简单回忆网络。 6．outstar 规则。 （三）课后练习 学生自主上机验证书中示例。 （四）教学方法与手段 本课程以课堂教学为主，结合案例分析、课程设计等手段。注重学生 实际开发能力的培养，使学生具有综合运用计算机技术与数据库技术开 发、实用、有效地网络系统的初步能力。
(三)课后练习 上机测试示例中的神经元。
（四）教学方法与手段 本课程以课堂教学为主，结合实例分析、从数学角度详细这些问题的 原理及结构特点。
第四章 感知机学习规则 （一）目的与要求
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。 （二）教学内容 1．理论与实例
Page97：5，8。 （四）教学方法与手段
本课程以课堂教学为主，结合实例分析、课程设计等手段。
第七章 有监督的 Hebb 学习 （一）目的与要求
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。 （二）教学内容 1．理论与实例。 2．线性联想器。 3．Hebb 规则。 （三）课后练习
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。
（三）课后练习
Page57：1，2，5。 （四）教学方法与手段
During the last two decades artificial neural networks have been studied intensively.Some results are obtained in many demains. This has great potential for solving complex problems such as systems control,data compression,optimization problems,pattern recognition,and system identification. Artificial neural networks theory and its application was introduced in the books and many example are given to explain it theory.
阅读神经网络方面的资料。 （四）教学方法与手段
本课程以课堂教学为主，结合模型分析、等手段。
第三章 一个பைடு நூலகம்例说明
（一）目的与要求 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。
（二）教学内容 1．问题的描述。 2．感知机。 3．Hamming 网络。 4．Hamming 网络。 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 网络和 Hamming 网络进行简单的介绍。
*第九章 性能优化（选学） （一）目的与要求
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。 （二）教学内容
1．最速下降法。 2．牛顿法。
3．共轭梯度法。 （三）课后练习
学生自主上机验证书中示例。 （四）教学方法与手段
本课程以课堂教学为主，结合实例分析、课程设计等手段。
本课程以课堂教学为主，结合案例分析、课程设计等手段。注重 学生实际开发能力的培养，使学生具有综合运用计算机技术、建模技 术等初步能力。
*第五章 信号与权值向量空间（选学） （一）目的与要求
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。 （二）教学内容 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。 （三）课后练习
第二章 神经元模型和网络结构 （一）目的与要求
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。 （二）教学内容 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。 要求学生熟悉神经网络的模型和网络结构。 (三)课后练习
*第十四章 竞争网络（选学） （一）目的与要求
本章将讨论一些在结构以及操作上都与 Hamming 网络极为相似的网 络，介绍三种这样的网络：竞争网络；特征图网络和学习矢量量化网络。 （二）教学内容
1．Hamming 网络。 2．竞争层。 3．生物学意义上的竞争层。
4．自组织特征图。 5．学习向量化。 （三）课后练习 学生自主上机验证书中示例。 （四）教学方法与手段 本课程以课堂教学为主，结合实例分析等方法。
*第十章 Widrow-Hoff 学习算法（选学） （一）目的与要求
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。 （二）教学内容 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。 （三）课后练习 学生自主上机验证书中示例。 （四）教学方法与手段 本课程以课堂教学为主，结合实例分析、课程设计等手段。
*第十二章 反向传播算法的变形（自学） （一）目的与要求
介绍一些反向传播算法的变形，能显著提高速度并使算法实用化。 1．了解 BP 算法的缺点； 2．如何加速反向传播的收敛速度。 （二）教学内容 1．BP 算法的缺点。 2．BP 算法的启发式改进。 3．数值优化技术。 （三）课后练习 学生自主上机验证书改进的 BP 算法。 （四）教学方法与手段 本课程以课堂教学为主，结合实例分析、课程设计等手段。
Page77：8，9。 （四）教学方法与手段
本课程以课堂教学为主，例题讲解分析为辅等手段。
*第六章 神经网络中的线性变换（选学） （一）目的与要求
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。 （二）教学内容
1．线性变换。 2．矩阵表示。 3．基变换。 4．特征值和特征向量。 （三）课后练习
第十一章 反向传播 （一）目的与要求
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。 （二）教学内容 1．多层感知机。 2．反向传播算法。 3．举例来说明。 （三）课后练习 学生自主上机验证书中示例，以 BP 算法为主。 （四）教学方法与手段 本课程以课堂教学为主，结合实例分析相结合。
四、课程教学的主要内容与基本要求 第一章 绪论 （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。 (三)课后练习 查找神经网络方面的资料。 （四）教学方法与手段 本课程以课堂教学为主，结合已经存在的资料来介绍该课程的核心内容。
Page118：6。 （四）教学方法与手段
本课程以课堂教学为主，结合案例分析、课程设计等手段。注重学 生实际开发能力的培养，使学生具有综合运用计算机技术、建模技术等。
*第八章 性能曲面和最优点（选学） （一）目的与要求
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。 （二）教学内容 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。 （三）实践环节与课后练习 学生自主上机验证书中示例。 （四）教学方法与手段 本课程以课堂教学为主，结合实例分析、课程设计等手段。
三、课程性质与教学目的 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。
*第十五章 Grossberg 网络（选学） （一）目的与要求
Grossberg 网络是一种自组织连续的竞争网络，这是第一次讨论连续 递归网络，并且将引入一些概念，Grossberg 网络也是在以后要讨论的自适 应谐振理论（ART）网络的基础。 （二）教学内容
Artificial neural networks are computational paradigms which implement simplified models of their biological counterparts,biological neural networks. Artificial neural networks are the local assemblages of neurons and their dendritic connections that form the human brain.It is classified nonlinear dynamic system by mathematics. Although the initial intent of artificial neural networks was to explore and reproduce human information processing tasks such as speech,vision,and knowledge processing,artificial neural networks also demonstrated their superior capability for classification and function approximation problems.