神经网络与人工智能课程教学大纲

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
四、课程其他教学环节要求
1、实验环节：本课程有无实验安排
2、作业：每个重要知识点布置一定数量的习题。

对作业中出现的共性问题应集中讲解。

3、辅导答疑：每6学时安排2学时的辅导答疑时间，明确辅导答疑地点和时间。

五、本课程与其他课程的联系
本课程先修课程为《电路》、《数字电子技术》。

六、教学参考书目
[1] 韩力群. 人工神经网络理论、设计及应用. 北京：化学工业出版社，2002年1月
[2] 袁曾任. 人工神经元网络及其应用. 北京：清华大学出版社，1999年10月
[3] 尹朝庆等. 人工智能与专家系统. 北京：中国水利水电出版社，2002年1月。