扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
中医基础理论
-
>
高校军事课教程
-
>
思想道德与法治(2021年版)
-
>
毛泽东思想和中国特色社会主义理论体系概论(2021年版)
-
>
中医内科学·全国中医药行业高等教育“十四五”规划教材
-
>
中医诊断学--新世纪第五版
-
>
中药学·全国中医药行业高等教育“十四五”规划教材
现代神经网络教程 版权信息
- ISBN：9787560655468
- 条形码：9787560655468 ; 978-7-5606-5546-8
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>>
现代神经网络教程 本书特色
神经网络在七十余年发展历程中，几经沉浮，已经发展成为国际学术、产业及国家发展的焦点和热点，它已成为未来创新社会发展的动力。本书从认知神经科学出发阐述了神经计算的范畴、历史与发展、基本原理等内容。全书共17章，分为两个部分，**部分(第1章~10章)从神经网络计算的生物学基础出发，论述了前向神经网络、反向神经网络、竞争学习神经网络以及新兴的进化神经网络、正则神经网络、支撑矢量机网络、模糊神经网络、多尺度网络等模型与学习算法。第二部分(第11章~17章)，论述了新近发展的深度网络模型与学习算法，包括自编码网络、生成式对抗网络、循环神经网络、图神经网络等及其在文本、图像模式识别、图像感知等领域的应用；在第16章的深度学习进阶中，论述了稀疏编码分类及应用、相关网络技巧的实例与方法，以便有兴趣的读者进一步探索实践。 本书可为高等院校计算机科学、电子科学技术、信息科学、控制科学与工程、人工智能、大数据、图像感知等领域的相关专业本科生或研究生的教材，也可供从事深度学习及其应用方面研究工作的科技工作者的参考。
现代神经网络教程 内容简介
神经网络是一门植根于许多学科的技术, 其研究涉及到神经科学、数学、统计学、物理学、计算机科学等多门研究学科。本书旨在讲述神经网络的基本概念、介绍实用的模型、典型的学习算法以及神经网络的一些*新进展与研究成果。
现代神经网络教程 目录
第1章 绪论 1
1.1 人脑与脑神经信息处理 1
1.1.1 人脑的信息处理机制 2
1.1.2 人脑的信息处理能力 3
1.1.3 人工神经网络 4
1.1.4 脑认知工程 6
1.2 人工神经网络的历史 9
1.2.1 **次研究高潮 9
1.2.2 第二次研究高潮 14
1.2.3 *近30年的发展 17
1.3 人工神经网络的实现 21
1.3.1 人工神经网络的软件模拟 21
1.3.2 人工神经网络的硬件实现 24
1.4 人工神经网络的应用 27
1.4.1 适合人工神经网络求解的问题特点 27
1.4.2 人工神经网络的典型应用 28
1.5 人工神经网络与人工智能 32
1.5.1 人工智能 32
1.5.2 人工神经网络与人工智能的区别 35
1.5.3 人工神经网络与人工智能的互补性 36
1.6 人工神经网络的研究与进展 37
1.6.1 人工神经网络的研究内容 37
1.6.2 人工神经网络的几个重要研究领域 41
1.6.3 人工神经网络的优势与不足 46
1.7 本书的主要内容 47
本章参考文献 47
第2章 人工神经网络基础 53
2.1 脑的结构与功能 53
2.2 大脑神经系统 56
2.2.1 神经系统中的组织层数 56
2.2.2 生物神经元 57
2.2.3 生物神经元连接突触 58
2.2.4 生物神经网络、层级和图 61
2.2.5 学习和记忆的生物与物理学基础 64
2.3 人工神经元与人工神经网络 65
2.3.1 命题的基本逻辑 66
2.3.2 McCullochPitts神经元 66
2.3.3 基本integrateandfire神经元 69
2.3.4 一般的可计算神经元 70
2.3.5 人工神经网络 74
2.4 人工神经网络的分类 76
2.4.1 基于拓扑结构的分类 77
2.4.2 基于神经元特征的分类 78
2.4.3 基于学习环境的分类 80
2.5 人工神经网络的学习方法 81
2.5.1 有监督学习 82
2.5.2 无监督学习 84
2.5.3 增强学习 85
2.6 人工神经网络的向量与矩阵基础 85
2.6.1 线性向量空间与生成空间 85
2.6.2 基集合、内积与范数 86
2.6.3 正交、向量展开与互逆基向量 87
2.6.4 线性变换与矩阵表示 88
本章参考文献 88
第3章 前馈神经网络 90
3.1 单神经元模型 90
3.1.1 单感知器神经元和感知器学习规则 90
3.1.2 线性单元的梯度下降算法 93
3.1.3 随机梯度下降算法 97
3.2 单层前馈神经网络 97
3.2.1 自适应线性网络 98
3.2.2 线性联想器网络 99
3.3 多层前馈神经网络 101
3.3.1 反向传播算法 104
3.3.2 改进的反向传播算法 109
3.3.3 反向传播算法实现的几点说明 109
3.4 感知器准则和LMS算法 111
3.5 感知器网络和Bayes分类器 112
3.6 感知器网络和Fisher判别 115
3.7 神经网络设计 116
3.8 神经网络泛化 117
3.9 深度前馈神经网络 118
本章参考文献 120
第4章 反馈神经网络 122
4.1 Hopfield反馈神经网络的结构与激活函数 123
4.2 Hopfield反馈神经网络的状态轨迹 126
4.2.1 状态轨迹为网络的稳定点 127
4.2.2 状态轨迹为极限环 127
4.2.3 状态轨迹为混沌状态 128
4.2.4 状态轨迹发散 128
4.2.5 设计目标 128
4.3 离散型Hopfield反馈神经网络 130
4.3.1 模型结构 130
4.3.2 联想记忆功能 131
4.3.3 Hebb学习规则 132
4.3.4 影响记忆容量的因素 134
4.3.5 网络的记忆容量确定 135
4.3.6 网络权值设计的其他方法 137
4.4 连续型Hopfield反馈神经网络 140
4.4.1 模型结构 140
4.4.2 求解组合优化问题 142
4.5 实时递归神经网络 146
4.5.1 实时递归网络 146
4.5.2 Kalman实时递推算法 148
4.5.3 Kalman滤波规则与应用 149
4.6 Hopfield反馈神经网络在人脸识别中的应用 150
本章参考文献 152
第5章 竞争学习神经网络 155
5.1 内星与外星学习规则 156
5.1.1 Instar学习规则 156
5.1.2 Outstar学习规则 159
5.1.3 Kohonen学习规则 160
5.2 自组织竞争网络 160
5.2.1 网络结构 161
5.2.2 竞争学习规则 163
5.2.3 网络的训练过程 164
5.3 Kohonen自组织映射网络 164
5.3.1 网络的拓扑结构 165
5.3.2 网络的训练过程 167
5.4 对传网络 168
5.4.1 网络结构 169
5.4.2 学习规则 169
5.4.3 训练过程 169
5.5 竞争学习神经网络的研究趋势与典型应用 170
5.5.1 研究趋势 170
5.5.2 典型应用 172
5.6 基于SOFM的人口统计指标分类 173
5.6.1 问题描述 173
5.6.2 网络的创建 174
5.6.3 网络的训练 176
5.6.4 网络的测试与使用 178
本章参考文献 179
第6章 进化神经网络 182
6.1 进化算法 183
6.1.1 进化算法的提出 183
6.1.2 进化算法的基本框架 183
6.1.3 进化算法的特点及应用 185
6.2 遗传算法 187
6.2.1 遗传算法的基本概念及理论基础 187
6.2.2 遗传算法的流程及特点 189
6.2.3 遗传算法的应用 190
6.3 进化规划 192
6.3.1 进化规划的发展 192
6.3.2 进化规划算法的组成 193
6.3.3 进化规划的特点及应用 193
6.4 进化策略 194
6.4.1 进化策略概述 194
6.4.2 进化策略的基本原理 195
6.4.3 进化策略的重要特征及应用 196
6.5 进化神经网络 196
6.5.1 进化神经网络概述 196
6.5.2 进化神经网络的研究方法 198
6.5.3 进化神经网络的新进展 200
6.6 进化神经网络应用实例 201
本章参考文献 203
第7章 正则神经网络 207
7.1 正则化技术和正则学习 207
7.2 具有径向基稳定子的正则网络 210
7.3 具有张量积稳定子的正则网络 211
7.4 具有加性稳定子的正则网络 211
7.5 正则网络的贝叶斯解释 212
7.6 径向基神经网络 214
7.7 正则神经网络应用实例 215
本章参考文献 219
第8章 支撑矢量机网络 221
8.1 引子——偏置/方差困境 222
8.2 VC维 224
8.3 SRM和SVM网络 227
8.4 线性支撑矢量机网络 227
8.5 非线性支撑矢量机网络 229
8.6 支撑矢量机网络应用实例 231
本章参考文献 233
第9章 模糊神经网络 235
9.1 模糊数学理论 236
9.1.1 模糊集合及其运算 236
9.1.2 模糊数及其运算 237
9.2 模糊神经网络 238
9.2.1 模糊神经网络的基础知识 238
9.2.2 模糊神经网络的发展历程 242
9.2.3 模糊神经网络的学习算法 243
9.3 典型模糊神经网络 245
9.3.1 逻辑模糊神经网络 245
9.3.2 算术模糊神经网络 246
9.3.3 混合模糊神经网络 247
9.4 模糊神经网络应用实例 249
9.4.1 系统辨识和建模 250
9.4.2 系统控制 250
9.4.3 问题和难点 251
本章参考文献 252
第10章 多尺度神经网络 253
10.1 多尺度分析 253
10.2 子波神经网络 254
10.2.1 多变量函数估计子波网络 256
10.2.2 正交多分辨子波网络 257
10.2.3 多子波神经网络 258
10.3 多尺度几何分析 259
10.4 脊波网络 262
10.4.1 连续脊波网络 263
10.4.2 方向多分辨脊波网络 267
本章参考文献 274
第11章 自编码网络 277
11.1 自编码网络背景介绍 277
11.2 自编码网络的结构模型 278
11.3 自编码网络模型的研究进展 279
11.4 自编码网络模型的优化算法 279
11.5 受限玻尔兹曼机 280
11.6 自编码网络的变体 282
11.6.1 稀疏自动编码器 282
11.6.2 降噪自动编码器 283
11.6.3 收缩自动编码器 285
11.6.4 栈式自动编码器 285
11.7 自编码网络应用实例 286
11.7.1 图像分类 286
11.7.2 目标检测 288
11.7.3 目标跟踪 289
11.8 自编码网络的总结 291
本章参考文献 292
第12章 卷积神经网络 294
12.1 卷积神经网络的历史 294
12.2 卷积神经网络的结构 296
12.3 卷积神经网络的学习算法 298
12.4 卷积神经网络的改进设计 298
12.4.1 卷积层 298
12.4.2 卷积核 300
12.4.3 池化层 301
12.4.4 正则化 302
12.4.5 激活函数 303
12.5 卷积神经网络应用实例 305
12.5.1 图像语义分割 305
12.5.2 目标检测 306
12.5.3 目标跟踪 308
12.6 卷积神经网络的总结 310
本章参考文献 311
第13章 生成式对抗网络 312
13.1 生成式对抗网络介绍 312
13.2 生成式对抗网络的结构与原理 312
13.3 生成式对抗网络的学习算法 315
13.4 生成式对抗网络的性能分析 316
13.5 生成式对抗网络的变体 318
13.5.1 信息*大化生成式对抗网络 318
13.5.2 条件生成式对抗网络 318
13.5.3 深度卷积生成式对抗网络 319
13.5.4 循环一致性生成式对抗网络 320
13.5.5 *小二乘生成式对抗网络 321
13.5.6 边界平衡生成式对抗网络 324
13.6 生成式对抗网络应用实例 325
13.6.1 数据增强 325
13.6.2 图像补全(修复) 326
13.6.3 文本翻译成图像 328
13.7 生成式对抗网络存在的问题与思考 329
13.7.1 生成式对抗网络的优点 330
13.7.2 生成式对抗网络的缺点 330
13.7.3 模式崩溃的原因 330
13.7.4 为什么GAN中的优化器不常用SGD 331
本章参考文献 331
第14章 循环神经网络 332
14.1 循环神经网络介绍 332
14.2 循环神经网络的计算过程 333
14.3 循环神经网络的训练过程 334
14.3.1 训练算法 334
14.3.2 前向计算 334
14.3.3 误差项的计算 335
14.3.4 权重梯度的计算 335
14.4 循环神经网络的问题 335
14.5 循环神经网络的变体 336
14.5.1 长短时记忆网络 336
14.5.2 双向循环神经网络 337
14.5.3 深度双向循环神经网络 338
14.5.4 回声状态网络 338
14.5.5 序列到序列网络 340
14.6 循环神经网络应用实例 342
14.6.1 自动问答 342
14.6.2 文本摘要生成 344
14.6.3 目标跟踪 346
14.7 循环神经网络的总结 348
本章参考文献 351
第15章 深度强化学习 353
15.1 深度强化学习背景介绍 353
15.2 深度强化学习的基本机理 354
15.3 深度强化学习的经典网络模型 356
15.3.1 基于卷积神经网络的深度强化学习 356
15.3.2 基于递归神经网络的深度强化学习 357
15.4 深度强化学习应用实例 358
15.4.1 玩Atari游戏 358
15.4.2 目标检测 359
15.4.3 目标跟踪 362
15.5 深度强化学习的局限性 365
15.6 深度强化学习的挑战 366
本章参考文献 369
第16章 深度学习进阶 371
16.1 稀疏学习 371
16.1.1 相关概念 372
16.1.2 稀疏编码 372
16.1.3 字典学习 375
16.2 稀疏模型 381
16.2.1 合成稀疏模型 382
16.2.2 分析稀疏模型 383
16.2.3 稀疏模型的*新进展 386
16.3 稀疏模型的应用 389
16.3.1 合成稀疏模型的应用 389
16.3.2 分析稀疏模型的应用 390
16.3.3 稀疏模型在分类中的应用 391
16.4 认知神经科学 392
16.5 深度学习实战 397
16.5.1 基本回归方法 397
16.5.2 深层神经网络的理解 404
16.5.3 反卷积网络的理解 408
16.5.4 利用Hessianfree方法训练深度网络 409
16.5.5 深度学习中的优化方法 411
16.5.6 自编码网络的理解 412
16.5.7 自学习 425
16.5.8 线性解码器 426
16.5.9 随机采样 429
16.5.10 数据预处理 430
16.5.11 dropout的理解 437
16.5.12 maxout的理解 438
16.5.13 ICA模型 439
16.5.14 RBM的理解 441
16.5.15 RNNRBM的理解 443
16.5.16 用神经网络实现数据的降维 444
16.5.17 无监督特征学习中关于单层网络的分析 449
16.5.18 Kmeans单层网络的识别性能 453
本章参考文献 455
第17章 图神经网络 457
17.1 引言 457
17.2 图神经网络的基本机理 459
17.3 图神经网络的变体 462
17.3.1 基于空域的图卷积神经网络 464
17.3.2 基于谱域的图卷积神经网络 468
17.3.3 图注意力网络 469
17.4 图神经网络应用实例 472
17.4.1 图像分类 472
17.4.2 目标检测 474
17.4.3 语义分割 477
17.5 图神经网络的挑战 479
本章参考文献 480
附录 历史上著名的人工智能大师 482
展开全部
书友推荐
- >
朝闻道
朝闻道
¥15.0¥23.8 - >
诗经-先民的歌唱
诗经-先民的歌唱
¥18.3¥39.8 - >
月亮虎
月亮虎
¥14.4¥48.0 - >
人文阅读与收藏·良友文学丛书:一天的工作
人文阅读与收藏·良友文学丛书:一天的工作
¥16.5¥45.8 - >
名家带你读鲁迅:故事新编
名家带你读鲁迅:故事新编
¥12.6¥26.0 - >
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
¥6.3¥14.0 - >
经典常谈
经典常谈
¥19.5¥39.8 - >
烟与镜
烟与镜
¥17.3¥48.0
本类畅销
-
食品添加剂
¥33.5¥45 -
VB语言程序设计
¥29.9¥39.8 -
C语言程序设计习题与实验指导
¥9.1¥18 -
地下建筑结构-(第三版)-(赠课件)
¥49.4¥55 -
模具制图
¥37.8¥49 -
工程机械结构认知
¥10.5¥22
