本书系统地论述了人工神经网络的主要理论和设计基础，给出了大量应用实例，旨在使读者了解神经网络的发展背景和研究对象，理解和熟悉其基本原理和主要应用，掌握其结构模型和基本设计方法，为以后的深入研究和应用开发打下基础。
全书共分为10章，第1、2章介绍了神经网络的发展历史、基本特征与功能、应用领域及基础知识，第3～10章展开介绍了单层感知器、基于误差反传的多层感知器、径向基函数神经网络、竞争学习神经网络、组合学习神经网络、反馈神经网络、支持向量机、深度神经网络等内容。为了方便梳理知识点，每章都附有本章小结。为了方便学习、加深理解，在书后附录中给出了例题与详解及神经网络常用术语的英汉对照。
本书可作为高等学校人工智能、智能科学与技术、自动化等相关专业人工神经网络的教材，也可供人工智能科研人员参考。

第1章 绪论
1.1 人脑与计算机
1.1.1 人脑与计算机信息处理能力的比较
1.1.2 人脑与计算机信息处理机制的比较
1.1.3 什么是人工神经网络
1.2 人工神经网络发展简史
1.2.1 启蒙期
1.2.2 低潮期
1.2.3 复兴期
1.2.4 高潮期
1.2.5 大数据期
1.3 神经网络的基本特征与功能
1.3.1 神经网络的基本特征
1.3.2 神经网络的基本功能
1.4 神经网络的应用领域
1.4.1 信息处理领域
1.4.2 自动化领域
1.4.3 工程领域
1.4.4 经济领域
1.4.5 医学领域
1.5 本章小结
思考与练习
第2章 神经网络基础知识
2.1 人工神经网络的生物学基础
2.1.1 生物神经元的结构
2.1.2 生物神经元的信息处理机理
2.2 人工神经元模型
2.2.1 神经元的建模
2.2.2 神经元的数学模型
2.2.3 神经元的转移函数
2.3 人工神经网络模型
2.3.1 网络拓扑结构类型
2.3.2 网络信息流向类型
2.4 神经网络学习方式
2.4.1 监督学习
2.4.2 无监督学习
2.5 神经网络学习规则
2.5.1 Hebb学习规则
2.5.2 Perceptron（感知器）学习规则
2.5.3 δ（Delta）学习规则
2.5.4 LMS（最小均方）学习规则
2.5.5 Correlation（相关）学习规则
2.5.6 Winner-Take-All（胜者为王）学习规则
2.5.7 Outstar（外星）学习规则
2.6 神经网络计算机程序实现基础
2.6.1 神经网络结构的程序实现基础
2.6.2 神经网络学习算法的程序实现基础
2.6.3 基于Python的神经网络实现方法
2.7 本章小结
思考与练习
第3章 单层感知器
3.1 单层感知器模型
3.2 单节点感知器的功能分析
3.3 感知器的学习算法
3.4 感知器的局限性及解决途径
3.4.1 感知器的局限性
3.4.2 解决途径
3.5 本章小结
思考与练习
第4章 基于误差反传的多层感知器
4.1 BP网络模型与算法
4.1.1 BP网络模型
4.1.2 BP学习算法
4.2 BP网络的能力与局限
4.2.1 BP网络的主要能力
4.2.2 误差曲面与BP算法的局限性
4.3 基于Python的BP算法实现
4.3.1 BP算法流程
4.3.2 基于Python的BP算法实现
4.4 BP算法的改进
4.4.1 增加动量项
4.4.2 自适应调节学习率
4.4.3 引入陡度因子
4.5 BP网络设计基础
4.5.1 网络信息容量与训练样本数
4.5.2 训练样本集的准备
4.5.3 初始权值的设计
4.5.4 BP网络结构设计
4.5.5 网络训练与测试
4.6 BP网络应用与设计实例
4.6.1 BP网络用于催化剂配方建模
4.6.2 BP网络用于汽车变速器最佳挡位判定
4.6.3 BP网络用于图像压缩编码
4.6.4 BP网络用于水库优化调度
4.6.5 BP网络用于证券预测
4.6.6 BP网络用于信用评价模型及预警
4.7 本章小结
思考与练习
第5章 径向基函数神经网络
5.1 基于径向基函数技术的函数逼近与内插
5.2 正则化RBF网络
5.2.1 正则化RBF网络的结构及特点
5.2.2 正则化RBF网络的学习算法
5.3 广义RBF神经网络
5.3.1 模式的可分性
5.3.2 广义RBF网络
5.3.3 广义RBF网络的设计方法
5.3.4 广义RBF网络数据中心的聚类算法
5.3.5 广义RBF网络数据中心的监督学习算法
5.4 基于Python的RBF网络学习算法实现
5.4.1 基于聚类的数据中心及RBF网络程序实现
5.4.2 基于监督学习的学习算法程序实现
5.5 RBF网络与BP网络的比较
5.6 RBF网络设计应用实例
5.6.1 RBF网络在液化气销售量预测中的应用
5.6.2 RBF网络在地表水质评价中的应用
5.6.3 RBF网络在汽油干点软测量中的应用
5.6.4 RBF网络在地下温度预测中的应用
5.7 本章小结
第6章 竞争学习神经网络
6.1 竞争学习的概念与原理
6.1.1 基本概念
6.1.2 竞争学习原理
6.2 自组织特征映射神经网络
6.2.1 SOM网的生物学基础
6.2.2 SOM网的拓扑结构与权值调整域
6.2.3 自组织特征映射网的运行原理与学习算法
6.3 基于Python的SOM网络设计与实现
6.3.1 SOM网络的程序设计思路
6.3.2 基于neupy扩展模块的SOM网络程序设计
6.4 自组织特征映射网络的设计与应用
6.4.1 SOM网的设计基础
6.4.2 设计与应用实例
6.5 自适应共振理论
6.5.1 ARTⅠ型网络
6.5.2 ARTⅠ型网络的应用
6.5.3 ARTⅡ型网络
6.5.4 ARTⅡ型网络的应用
6.6 本章小结
思考与练习
第7章 组合学习神经网络
7.1 学习向量量化神经网络
7.1.1 向量量化（LVQ）
7.1.2 LVQ网络结构与工作原理
7.1.3 LVQ网络的学习算法
7.1.4 基于Python的LVQ网络学习算法实现