人工神經(jīng)網(wǎng)絡理論及應用
定 價：¥39.8
中 教 價：¥30.65 (7.70折）
庫 存 數(shù)： 0
叢 書 名：普通高等教育 電氣工程 自動化 系列規(guī)劃教材
該書系統(tǒng)地論述了人工神經(jīng)網(wǎng)絡的主要理論、設計基礎及應用實例，旨在使讀者理解和熟悉神經(jīng)網(wǎng)絡的基本原理和主要應用，掌握它的結構和設計應用方法，為深入研究和應用開發(fā)打下基礎。為了便于讀者理解，書中盡量避免煩瑣的數(shù)學推導，加強了應用舉例，并在內(nèi)容的選擇和編排上注意到讀者初次接觸新概念的易接受性和思維的邏輯性，也注意引入目前神經(jīng)網(wǎng)絡研究領域的前沿知識如深度網(wǎng)絡等。為便于讀者能將理論轉化為應用，在主要章節(jié)的后都給出了MATLAB的應用例子，并對程序和結果進行了詳細的講解。
前言 第１ 章 緒論 １ １. １ 人工神經(jīng)網(wǎng)絡概述 １ １. １. １ 人腦與計算機信息處理能力的 比較 ２ １. １. ２ 人腦與計算機信息處理機制的 比較 ３ １. １. ３ 什么是人工神經(jīng)網(wǎng)絡 ４ １. ２ 人工神經(jīng)網(wǎng)絡發(fā)展簡史 ５ １. ２. １ 啟蒙時期 ５ １. ２. ２ 低潮時期 ７ １. ２. ３ 復興時期 ８ １. ２. ４ 新時期 ９ １. ２. ５ 海量數(shù)據(jù)時代 １２ １. ２. ６ 國內(nèi)研究概況 １２ １. ３ 神經(jīng)網(wǎng)絡的基本特征與功能 １３ １. ３. １ 神經(jīng)網(wǎng)絡的基本特點 １３ １. ３. ２ 神經(jīng)網(wǎng)絡的基本功能 １３ １. ４ 神經(jīng)網(wǎng)絡的應用領域 １５ １. ４ １ 信息處理領域 １５ １. ４. ２ 自動化領域 １６ １. ４. ３ 工程領域 １６ １. ４. ４ 醫(yī)學領域 １７ １. ４. ５ 經(jīng)濟領域 １７ 本章小結 １８ 習題 １９ 第２ 章 人工神經(jīng)網(wǎng)絡建模基礎 ２０ ２. １ 腦的生物神經(jīng)系統(tǒng)概述 ２０ ２. １. １ 人體神經(jīng)系統(tǒng)的構成 ２０ ２. １. ２ 高級中樞神經(jīng)系統(tǒng)的功能 ２１ ２. １. ３ 腦組織的分層結構 ２２ ２. ２ 生物神經(jīng)網(wǎng)絡基礎 ２３ ２. ２. １ 生物神經(jīng)元的結構 ２３ ２. ２. ２ 生物神經(jīng)元的信息處理機理 ２４ ２. ３ 人工神經(jīng)元模型 ２６ ２. ３. １ 神經(jīng)元的建模 ２６ ２. ３. ２ 神經(jīng)元的數(shù)學模型 ２７ ２. ３. ３ 神經(jīng)元的變換函數(shù) ２８ ２. ４ 人工神經(jīng)網(wǎng)絡模型 ３０ ２. ４. １ 網(wǎng)絡拓撲結構類型 ３０ ２. ４. ２ 網(wǎng)絡信息流向類型 ３１ ２. ５ 神經(jīng)網(wǎng)絡學習 ３２ ２. ５. １ Ｈｅｂｂｉａｎ 學習規(guī)則 ３４ ２. ５. ２ 離散感知器學習規(guī)則 ３５ ２. ５. ３ 連續(xù)感知器學習規(guī)則 ３６ ２. ５. ４ 最小方均學習規(guī)則 ３７ ２. ５. ５ 相關學習規(guī)則 ３８ ２. ５. ６ 勝者為王學習規(guī)則 ３８ ２. ５. ７ 外星學習規(guī)則 ３８ 本章小結 ４０ 習題 ４０ 第３ 章 感知器神經(jīng)網(wǎng)絡 ４２ ３. １ 單層感知器 ４２ ３. １. １ 感知器模型 ４２ ３. １. ２ 感知器的功能 ４３ ３. １. ３ 感知器的局限性 ４５ ３. １. ４ 感知器的學習算法 ４５ ３. ２ 多層感知器 ４７ ３. ３ 自適應線性單元簡介 ４９ ３. ３. １ ＡＤＡＬＩＮＥ 模型 ４９ ３. ３. ２ ＡＤＡＬＩＮＥ 學習算法 ４９ ３. ３. ３ ＡＤＡＬＩＮＥ 應用 ５１ ３. ４ 誤差反傳算法 ５１ Ⅵ ３. ４. １ 基于ＢＰ 算法的多層感知器 模型 ５２ ３. ４. ２ ＢＰ 學習算法 ５３ ３. ４. ３ ＢＰ 算法的程序實現(xiàn) ５６ ３. ４. ４ 多層感知器的主要能力 ５７ ３. ４. ５ 誤差曲面與ＢＰ 算法的局限性 ５８ ３. ５ 標準ＢＰ 算法的改進 ５９ ３. ５. １ 增加動量項 ５９ ３. ５. ２ 自適應調(diào)節(jié)學習率 ５９ ３. ５. ３ 引入陡度因子 ６０ ３. ６ 基于ＢＰ 算法的多層感知器設計 基礎 ６０ ３. ６. １ 網(wǎng)絡信息容量與訓練樣本數(shù) ６０ ３. ６. ２ 訓練樣本集的準備 ６１ ３. ６. ３ 初始權值的設計 ６４ ３. ６. ４ 多層感知器結構設計 ６５ ３. ６. ５ 網(wǎng)絡訓練與測試 ６６ ３. ７ 基于ＢＰ 算法的多層感知器應用與設計 實例 ６７ ３. ７. １ 基于ＢＰ 算法的多層感知器用于 催化劑配方建模 ６７ ３. ７. ２ 基于ＢＰ 算法的多層感知器用于 汽車變速器最佳擋位判定 ６８ ３. ７. ３ 基于ＢＰ 算法的多層感知器用于 圖像壓縮編碼 ６９ ３. ７. ４ 基于ＢＰ 算法的多層感知器用于 水庫優(yōu)化調(diào)度 ６９ ３. ８ 基于ＭＡＴＬＡＢ 的ＢＰ 網(wǎng)絡應用實例 ７０ ３. ８. １ ＢＰ 網(wǎng)絡用于數(shù)據(jù)擬合 ７０ ３. ８. ２ ＢＰ 網(wǎng)絡用于鳶尾花分類問題 ７２ 擴展資料 ７６ 本章小結 ７７ 習題 ７７ 第４ 章 自組織競爭神經(jīng)網(wǎng)絡 ８０ ４. １ 競爭學習的概念與原理 ８０ ４. １. １ 基本概念 ８０ ４. １. ２ 競爭學習原理 ８２ ４. ２ 自組織特征映射神經(jīng)網(wǎng)絡 ８４ ４. ２. １ ＳＯＦＭ 網(wǎng)的生物學基礎 ８５ ４. ２. ２ ＳＯＦＭ 網(wǎng)的拓撲結構與權值 調(diào)整域 ８５ ４. ２. ３ 自組織特征映射網(wǎng)的運行原理與 學習算法 ８６ ４. ２. ４ ＳＯＦＭ 網(wǎng)的設計基礎 ９０ ４. ２. ５ 應用與設計實例 ９２ ４. ３ 學習向量量化神經(jīng)網(wǎng)絡 ９５ ４. ３. １ 向量量化 ９５ ４. ３. ２ ＬＶＱ 網(wǎng)絡結構與工作原理 ９６ ４. ３. ３ ＬＶＱ 網(wǎng)絡的學習算法 ９７ ４. ４ 對偶傳播神經(jīng)網(wǎng)絡 ９８ ４. ４. １ 網(wǎng)絡結構與運行原理 ９８ ４. ４. ２ ＣＰＮ 的學習算法 ９９ ４. ４. ３ 改進的ＣＰＮ 網(wǎng) １００
新書資訊 新書推薦