全书不仅深入分析神经网络的基本概念，而且详细介绍神经网络应用方面的最新发展趋势和主要研究方向。该书理论和实际应用紧密结合，为神经网络的相关理论知识在具体问题中的应用打下了坚实的基础。该书适合作为高等院校计算机专业高年级本科生或研究生的教材，也可供人工智能及神经网络方面的研究人员和专业技术人员参考。
《神经计算原理》比较系统全面地介绍了人工神经网络的理论和实际应用，特别在神经网络模型和工程应用方面有极为深入的分析和讲解。全书不仅深入分析神经网络的基本概念，而且详细介绍神经网络应用方面的最新发展趋势和主要研究方向。《神经计算原理》理论和实际应用紧密结合，为神经网络的相关理论知识在具体问题中的应用打下了坚实的基础。[1]
Fredric M.Ham 博士现任佛罗里达理工学院的Harris教授，佛罗里达理工学院信息处理实验室的主任。他于1980年在爱荷州立大学获得电气工程博士学位。他在信号处理、生物医学工程、神经网络和控制系统领域发表了许多论文，是电气与电子工程师协会（IEEE）的高级会员，还是Eta Kappa Nu、Tau Beta Pi、Phi Kappa Phi 和Sigma Xi的会员。
出版者的话
专家指导委员会
译者序
前言
致谢
重要符号和算符
重要缩写词
第一部分 神经计算的基本概念和部分神经网络体系结构及其学习规则
第1章 神经计算概述
1.1 神经计算是什么
1.2 神经计算的发展历史
1.3 神经计算和神经科学
1.4 神经网络的分类
1.5 本书指南
参考文献
第2章 神经计算的基本概念
2.1 概述
2.2 人工神经元的基本模型
2.3 基本激活函数
2.4 人工神经元的霍普菲尔德模型
2.5 自适应线性单元和多重自适应线性单元
2.5.1 简单自适应线性组合器和LMS算法
2.5.2 自适应线性单元
2.5.3 多重自适应线性单元
2.6 简单感知器
2.6.1 Mays感知器学习规则
2.6.2 具有s形激活函数的简单感知器
2.7 前馈多层感知器
2.8 单个神经元基本学习规则概述
2.8.1 广义的LMS学习规则
2.8.2 Hebb学习
2.8.3 Oja学习规则
2.8.4 位势学习规则