前言第1章智能控制技术基础第2章 神经网络控制的基本概念第3章 前向神经网络模型及其仿真算法第4章 改进的BP网络训练算法第5章 小脑模型神经网络及其应用第6章 遗传算法及其神经网络第7章模糊神经网络第8章 径向基函数网络第9章 反馈型神经网络第10章 支持向量机第11章 小波神经网络及应用参考文献
知网什么的吧
下载中 一次只能上传一个附件啊 可惜了
推荐到OA图书馆查询。中英文都有。英文文献，输入英文关键词即可
好的，让我们来帮你
推荐到OA图书馆查询。中英文都有。英文文献，输入英文关键词即可。
你不翻译了？？？
知网什么的吧
神经元网络在结构优化中的应用自20世纪80年代中期以来,神经网络的理论和应用几乎涉及到了机械工程里的各个领域人工神经元网络能够在机械工程领域中获得广泛应用是因为它模拟人脑结构及智能行为,以及大规模并行处理,容错,自组织和自适应能力等特性决定的作为一种新的建模工具,人工神经元网络不同于专家系统那样需要事先建立知识库,知识的获取只需要提供足够的训练样本,训练合格的网络将知识存储在权系数中,人工神经元网络能够模拟现实系统复杂的输入输出关系,具有很强的非线形建模能力,因此在设计优化中有很好的应用前景结构优化设计,众所周知面临着计算效率和处理对象复杂性之间的矛盾,为了提高计算效率,各种近似重分析方法应运而生,用以代替完整的有限元分析传统的结构近似重分析技术是基于泰勒级数展开的,这种方法有其局限性,如需要使用导数信息,设计变量的变化副值不能太大等神经网络的出现为结构近似重分析技术提出了一种新途径,是一种很有使用价值的方法在有限元分析中,当载荷条件确定时,静动力特性分析可以看成是从设计变量到结构响应之间的映射,如果这种影射关系可以确定的话,那么结构近似重分析就不在话下了,人工神经元网络能够实现从n畏设计空间到m维任意非线形映射,用它来处理设计变量和结构响应之间的映射,应该是非常合适的神经元研究的热点在于一下几个方面:一个就是网络的选择,进行非线形逼近的有很多网络可以做,包括BP,RBF,支持向量机网络等,这些网络在非线形逼近方面的能力是不一样的,而且基于的数学理论也是很不同的,可以参考一些文献比较一下,个人感觉BRF网络的非线形逼近能力还是比较强的另一个就是在网络类型确定之后,样本的准备,包括样本的数量还有样本的分布,这些都是影响网络近似能力很重要的问题,样本选取一般要结合实验设计方法还有就是很重要的就是网络结构的确定,比如隐层数,隐层节点数等,而且目前还有理论支撑来确定网络结构,不过现在已经有可以根据模型复杂度来自动删减的 bp网络这里只是简单介绍了一下神经元网络在结构优化中的应用中一些基本的问题,有兴趣的可以看看,另外在新版本的0中已经有了RBF网络 朋友，你看参考这里： -4911-1-html
模糊神经网络结合了神经网络系统和模糊系统的长处，它在处理非线性、模糊性等问题上有很大的优越性，在智能信息处理方面存在巨大的潜力；使得越来越多的专家学者投入到这个领域中来，并做出了卓有成效的研究成果。但是，对模糊神经网络的研究，大都是基于算法的创新、改进和完善，少有综述性的文献对它进行概述，使初接触这一领域的人往往无所适从，很难在短时间内理解模糊神经网络的概念，也很难实际应用它。作者在阅读了大量文献的基础上，对各种相关理论知识进行整理、归纳和研究，旨在对模糊神经网络做一个系统的概述和一些初步的探索。本文实际上由两部分组成：第一部分是对模糊神经网络的概述；第二部分是一种算法的提出及其实现过程。模糊神经网络是一个较新的概念，文章从神经网络系统与模糊系统的历史论述到它的起源与发展，论证了它产生的可能性与必要性，并简要介绍了国内外模糊逻辑神经网络软件硬件。在模糊神经元概念的基础上，定义了模糊神经网络；从函数映射角度上，讨论了神经网络系统和模糊系统的函数逼近能力；二者都能以任意精度逼近任何连续实函数；对理论成熟的算法和模型，作了简洁的介绍。针对模糊神经网终（络）实观时的具体问题，对网终（络）的学习能力、容量、结构分布等细节逆行了探讨。本文提出了一种模糊神经网络的二步混合算法：第一步，采用模糊推理系统结合遗传算法根据训练样本确定隶属函数的参数，通过遗传算法搜索定义域范围内的参数最优解。文中选用S-T模型作为模糊推理系统中的推理模型。第二步，确定网络结构，根据训练样本采用BP算法训练网络，调整网络权值和偏差，为了避免局部最小观象和加快网络收敛速度，选用加动量因子变学习率的改进BP算法为训练算法。为了更广泛地应用遗传算法，文中用C++,实现了通用遗传算法类库，在实观过程中结合使用了类模板，抽象类等技术。该类库支持一维和多维函数的最优化。对多维函数可以采用统一长度的或者各维长度不同的基因；支持固定和可变变异率，支持固定迭代代数结束迭代和满足一定条件结束迭代。作者用MATLAB的Fuzzy Toolbox及NNetToolbox实现了算法，仿真结果表明，该算法效率高、收敛速度快、模型精度高
用文字、图形、符号、声频、视频等技术手段记录人类知识的一种载体，或理解为固化在一定物质载体上的知识。现在通常理解为图书、期刊等各种出版物的总和。文献是记录、积累、传播和继承知识的最有效手段，是人类社会活动中获取情报的最基本、最主要的来源，也是交流传播情报的最基本手段。正因为如此，人们把文献称为情报工作的物质基础。在国内国外，都常常可以看到有人把“文献”与“情报”，“文献学”与“情报学”等同起来，虽然这种等同未必适宜，但却反映了文献在情报活动和科学中的极为重要的地位。 区分文献类型或形式有多种方法，其中最主要的是根据载体把其分为印刷型、缩微型、机读型和声像型。（1）印刷型：是文献的最基本方式，包括铅印、油印、胶印、石印等各种资料。优点查可直接、方便地阅读。（2）缩微型：是以感光材料为载体的文献，又可分为缩微胶卷和缩微平片，优点是体积小、便于保存、转移和传递。但阅读时须用阅读器。（3）计算机阅读型：是一种最新形式的载体。它主要通过编码和程序设计，把文献变成符号和机器语言，输入计算机，存储在磁带或磁盘上，阅读时，再由计算机输出，它能存储大量情报，可按任何形式组织这些情报，并能以极快的速度从中取出所需的情报。近年来出现的电子图书即属于这种类型。（4）声像型：又称直感型或视听型，是以声音和图像形式记录在载体上的文献，如唱片、录音带、录像带、科技电影、幻灯片等。 文献在科学和社会发展中所起的作用表现在：（1）是科学研究和技术研究结果的最终表现形式；（2）是在空间、时间上传播情报的最佳手段；（3）是确认研究人员对某一发现或发明的优先权的基本手段；（4）是衡量研究人员创造性劳动效率的重要指标；（5）是研究人员自我表现和确认自己在科学中的地位的手段，因而是促进研究人员进行研究活动的重要激励因素；（6）是人类知识宝库的组成部分，是人类的共同财富。 根据文献内容、性质和加工情况可将文献区分为：一次文献、二次文献、三次文献。一次文献指以作者本人的研究成果为依据而创作的原始文献，如期刊论文、研究报告、专利说明书、会议论文等。二次文献是对一次文献进行加工整理后产生的一类方面，如书目、题录、简介、文摘等检索工具。三次文献是在一、二次文献的基础上，经过综合分析而编写出来的文献，人们常把这类文献称为“情报研究”的成果，如综述、专题述评、学科年度总结、进展报告、数据手册等。与此类似，也有把情报区分成一次情报、二次情报、三次情报的。 构成文献的三个基本要素是:知识、载体和记录 文献综述有两种，一种是“大综述”，就一个领域的文献的总结，经常会发在专门发Review的杂志上，或者是在Handbook里。写这种综述文章的人有许多是权威人物，但也有一些是助教授级别的人写的，但作者一般都是在这个题目上做了相当贡献的人。“大综述”中还有一种“超大综述”（这些提法都是我为了论述方便杜撰的）以前在Bhagawati时代，Bhagwati、Max Corden等人做过一些整个国际贸易理论领域的综述，但这些年我没有见到有谁做类似的东西，现在一般综述都是就作者擅长的一个方面写的，然后集在手册里。另外一些研究生教材，特别是Feenstra的那本，写法很像综述。 另一种是“小综述”，就是论文第一部分Introduction部分的综述。这个综述的目的主要不是为了向其他人介绍前沿，而是为了推出自己的论述和模型，是以述带论，核心功能是定义“Gap"，就是说明现有的研究状况如何，缺在哪里，我准备做的贡献是什么。所以，这种综述并不强求非常全面细致，不是“掉书袋”，而应该侧重介绍与自己的研究直接相关的文献。 对于”大综述“，我觉得我们在没有一点原创性的研究以前最好不要写。没有见过几棵树，谈不上去见森林。我现在有了一点点研究体会之后感觉，一个题目，你没有扎进去之前，许多体会感受都是虚的。以前国内文献搜集有困难，早期出来的一些前沿介绍当然就很有意义。现在你如果真正做研究，文献检索不应该成为很大的困难。所以做二道贩子，将人家研究的东西半懂不懂地编译一下，在真正做研究的人中间也不会有什么市场。至少我自己，我也建议大家，不去看没有原创贡献的作者写的综述文章。即使是原创文章的前沿综述，也有一些问题。前一段时间一个老师给我一些城市经济学的综述，是这个领域的很活跃的一些作者要出的手册，当时这个老师给我的时候，指着其中一章说：This strand is dying。都是最活跃的作者写的在还没有出版的手册上的文献综述，有的就已经要过时了。所以，赶风头永远是赶不上的。 对于“小综述”，这是人人都可以写，而且应该写的。如果你心中有了题目，就应该围绕这个题目去尽量搜集最新的文献，这个风头是绝对应该赶的。我个人看法是不要强求自己去理解整个国际贸易理论发展的脉络，具体题目深入下去，对整个国贸理论有时候有具体而微的全息功效，你自己有时候也会产生有一些格物致知的感受。但是，真正要去理解什么脉络，恐怕不是一下子的工夫。当然，我这里所说的前沿、深入，都是相对而言的，每个人不同的学习阶段，不同的条件和功底，会有不同的成果和收获，只要尽责做了，就是好的。
找模式识别的相关文章，先下英文，再找这篇文章的作者，搜他写的文章，幸运的话可以搜到中文版的，这个方法我同学试过是可以的，不过这种中英双板的很少，要靠运气
你真逗！这是rmb的问题！不是百度积分的问题！
Neural Net
Network Pruning Network pruning offers another approach for dynamically determining an appropriate network Pruning techniques(see [40] for an excellent survey) begin by training a larger than necessary network and then eliminate weights and neurons that are deemed Constructive algorithms offer several significant advantages over pruning-based algorithms including,the ease of specification of the initial network topology,better economy in terms of training time and number of training examples, and potential for converging to a smaller network with superior generalization [27] In this paper we will focus primarily on constructive learning In Section IV we show how a local pruning step can be integrated into the network construction process to obtain more compact