神经网络与人工智能课程教学大纲

课程名称：

神经网络与人工智能

英文名称：

Nerve Network & Artificial Intelligence

课程编号：

学

时

数：

48 

其中实验（实训）学时数：

0 

课外学时数：

0 

学

分

数：

3.0 

适用专业：

测控技术与仪器

一、课程的性质和任务

从工程应用的角度，

系统地介绍人工智能的基本原理、

方法和应用技术，

强化实用化介

绍，

并全面反映国内外研究和应用的新进展，

为学生将来使用人工智能技术提高计算机应用

的研究和开发水平奠定基础。

二、

课程教学内容的基本要求、重点和难点

第一章

绪论

(2

学时

) 

要求一般理解与掌握的内容有：人工神经网络的概述；人工

神经网络的发简史；人工神经网络的基本特征与功能；人工神经网络的应用领域。

第二章

人工神经网络的基础知识

(6

学时

) 

要求深刻理解与熟练掌握的内容有：人

工神经元的模型；人工神经网络的模型；人工神经网络的学习规则，

Hebbian 

学习规则，

感知器学习规则，

Delta

学习规则，

Widrow-Hoff

学习规则，相关学习规则，胜者为王学习

规则，外星学习规则。要求一般理解与掌握的内容有：人工神经网络的生物学基础。

难点：人工神经网络的学习规则。

第三章

前馈型人工神经网络

(16

学时

)  

要求深刻理解与熟练掌握的重点内容有：单

层感知器；多层感知器；自适应线性单元（

Adaline

）的简介；误差逆传（

BP

）算法，基于

BP

算法的多层前馈网络模型，

BP

的学习算法，多层前馈网络的主要能力，误差曲面与

BP

算法的局限性；标准

BP

算法改进。增加运动项，自适应调节学习率，引入陡度因子；基于

BP

算法的多层前馈网络的设计基础；基于

BP

算法的多层前馈网络的应用。

难点：误差逆传（

BP

）算法。

第四章

自组织神经网络

(10

学时

) 

要求深刻理解与熟练掌握的重点内容有：

竞争学习的

概念与原理；自组织特征映射（

SOM

）神经网络，

SOM

网络的生物学基础，

SOM

网络的拓扑结

构与权值调整域，

SOM

网络的运行原理与学习算法；自组织特征映射（

SOM

）神经网络的设

计与应用；对偶传播（

CPN

）神经网络；自适应共振理论模型（

ART

）

。

难点：自组织特征映射（

SOM

）神经网络。

第四章

反馈型人工神经网络

(10

学时

) 

要求深刻理解与熟练掌握的重点内容有：

离散

型

Hopfield

神经网络

（

DHNN

）

，

DHNN

网络的结构与工作方式，

DHNN

网络的稳定性与吸引子，

DHNN

网络的权值设计，

DHNN

网络的信息存储容纳；连续型

Hopfield

神经网络（

CHNN

）

；

Hopfield

网络的设计与应用；双向联想记忆（

BAM

）神经网络。

难点：离散型

Hopfield

神经网络（

DHNN

）

。

第五章

局部逼近神经网络

(4

学时

) 

要求深刻理解与熟练掌握的重点内容有：

CMAC

网

络的结构；

CMAC

网络的工作原理；

CMAC

网络的学习算法；

CMAC

网络的应用。

难点：

CMAC

网络的结构与工作原理。

三、教学方式及学时分配