中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
神經計算原理 版權信息
- ISBN：7111206371
- 條形碼：9787111206378 ; 978-7-111-20637-8
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
神經計算原理 本書特色
本書比較系統全面地介紹了人工神經網絡的理論和實際應用，特別在神經網絡模型和工程應用方面有極為深入的分析和講解。全書不僅深入分析神經網絡的基本概念，而且詳細介紹神經網絡應用方面的*新發展趨勢和主要研究方向。本書理論和實際應用緊密結合，為神經網絡的相關理論知識在具體問題中的應用打下了堅實的基礎。. 本書適合作為高等院校計算機專業高年級本科生或研究生的教材，也可供人工智能及神經網絡方面的研究人員和專業技術人員參考。 本書是神經網絡領域中的一部優秀教材，著重講述人工神經網絡基本原理以及如何運用各種神經計算技術來解決科學和工程領域中的現實問題，如模式識別。*優化，事件分類。非線性系統的控制和識別以及統計分析等。.. 主要特點： ·算法——很多算法用框線明確標出，便于讀者查找。 ·MATLAB Toolbox——書中大量使用MATLAB的Neural Network Toolbox，舉例說明神經計算概念。 ·Web站點——登錄http：／／www．mhhe．com／ham，可獲取*新。*全面的信息。 ·示例和附錄——各章有詳盡的示例，闡述重要的神經計算概念。附錄A全面介紹了神經計算的數學基礎。...
神經計算原理 內容簡介
本書比較系統全面地介紹了人工神經網絡的理論和實際應用，特別在神經網絡模型和工程應用方面有極為深入的分析和講解。全書不僅深入分析神經網絡的基本概念，而且詳細介紹神經網絡應用方面的*新發展趨勢和主要研究方向。本書理論和實際應用緊密結合，為神經網絡的相關理論知識在具體問題中的應用打下了堅實的基礎。
本書適合作為高等院校計算機專業高年級本科生或研究生的教材，也可供人工智能及神經網絡方面的研究人員和專業技術人員參考。
神經計算原理 目錄
| 出版者的話 |
| 專家指導委員會 |
| 譯者序. |
| 前言 |
| 致謝 |
| 重要符號和算符 |
| 重要縮寫詞 |
| **部分神經計算的基本概念和部分神經網絡體系結構及其學習規則 |
| 第1章神經計算概述 |
| 1.1神經計算是什么 |
| 1.2神經計算的發展歷史 |
| 1.3神經計算和神經科學 |
| 1.4神經網絡的分類 |
| 1.5本書指南 |
| 參考文獻 |
| 笫2章神經計算的基本概念 |
| 2.1概述 |
| 2.2人工神經元的基本模型 |
| 2.3基本激活函數 |
| 2.4人工神經元的霍普菲爾德模型 |
| 2.5自適應線性單元和多重自適應線性單元 |
| 2.5.1簡單自適應線性組合器和LMS算法 |
| 2.5.2自適應線性單元 |
| 2.5.3多重自適應線性單元 |
| 2.6簡單感知器 |
| 2.6.1Mays感知器學習規則 |
| 2.6.2具有S形激活函數的簡單感知器 |
| 2.7前饋多層感知器 |
| 2.8單個神經元基本學習規則概述 |
| 2.8.1廣義的LMS學習規則 |
| 2.8.2Hebb學習 |
| 2.8.3Oja學習規則 |
| 2.8.4位勢學習規則 |
| 2.8.5相關學習規則 |
| 2.8.6標準感知器學習規則 |
| 2.8.7廣義感知器學習規則 |
| 2.9數據預處理 |
| 2.9.1規整 |
| 2.9.2變換 |
| 2.9.3傅里葉變換 |
| 2.9.4主成分分析 |
| 2.9.5部分*小二乘回歸 |
| 2.9.6小波和小波變換 |
| 習題 |
| 參考文獻 |
| 第3章映射網絡 |
| 3.1概述 |
| 3.2聯想記憶網絡 |
| 3.2.1一般的線性分布式聯想記憶 |
| 3.2.2相關矩陣記憶 |
| 3.2.3相關矩陣記憶的誤差修正方法 |
| 3.3反向傳播學習算法 |
| 3.3.1前饋多層感知器的基本反向傳播算法 |
| 3.3.2使用標準反向傳播中的一些實際問題 |
| 3.3.3具有動量更新的反向傳播學習算法 |
| 3.3.4批量更新 |
| 3.3.5搜索然后收斂方法 |
| 3.3.6可變學習率的批量更新 |
| 3.3.7反向傳播算法的向量矩陣形式 |
| 3.4加速學習反向傳播算法 |
| 3.4.1前饋多層感知器的共軛梯度反向傳播 |
| 3.4.2基于*小二乘的遞歸反向傳播算法 |
| 3.4.3具有自適應激活函數斜度的反向傳播 |
| 3.4.4Levenberg-Marquardt算法 |
| 3.5對傳 |
| 3.6徑向基函數神經網絡 |
| 3.6.1訓練具有固定中心的RBFNN |
| 3.6.2用隨機梯度方法訓練RBFNN |
| 3.6.3正交*小二乘 |
| 習題 |
| 參考文獻 |
| 第4章自組織網絡 |
| 4.1概述 |
| 4.2Kohonen自組織映射 |
| 4.3學習向量的量化 |
| 4.4自適應共振理論(ART)神經網絡 |
| 4.4.1ART1 |
| 4.4.2模糊ART和模糊ARTMAP |
| 習題 |
| 參考文獻 |
| 第5章遞歸網絡和時間前饋網絡 |
| 5.1概述 |
| 5.2遞歸神經網絡概述 |
| 5.3霍普菲爾德聯想記憶 |
| 5.4模擬退火 |
| 5.5玻爾茲曼機 |
| 5.6時間前饋網絡概述 |
| 5.7簡單遞歸網絡 |
| 5.8時延神經網絡 |
| 5.9分布式時滯前饋神經網絡 |
| 習題.. |
| 參考文獻 |
| 第二部分神經計算的應用 |
| 第6章用神經網絡解決*優化問題 |
| 6.1概述 |
| 6.2解決線性規劃問題的神經網絡 |
| 6.2.1解決LP問題標準形式的神經網絡 |
| 6.2.2解決LP問題非標準形式的神經網絡 |
| 6.3解決二次規劃問題的神經網絡 |
| 6.4解決非線性連續約束*優化問題的神經網絡 |
| 6.4.1罰函數NP方法的神經網絡 |
| 6.4.2障礙函數NP方法的神經網絡 |
| 6.4.3普通拉格朗日乘子NP方法的神經網絡 |
| 6.4.4增廣拉格朗日乘子方法的神經網絡 |
| 習題 |
| 參考文獻 |
| 第7章用神經網絡解決矩陣代數問題 |
| 7.1概述 |
| 7.2矩陣的逆和偽逆 |
| 7.3LU分解 |
| 7.4QR因子分解 |
| 7.5舒爾分解 |
| 7.6譜因子分解——特征值分解(EVD)(對稱特征值問題) |
| 7.7對稱特征值問題的神經網絡方法 |
| 7.8奇異值分解 |
| 7.9求解代數李雅普諾夫方程的神經計算方法 |
| 7.10求解代數里卡蒂方程的神經計算方法 |
| 習題 |
| 參考文獻 |
| 第8章使用神經網絡求解線性代數方程組 |
| 8.1概述 |
| 8.2聯立線性代數方程組 |
| 8.3線性方程組的*小二乘解 |
| 8.4求解線性方程組的*小二乘神經計算方法 |
| 8.5求解線性方程組的共軛梯度學習規則 |
| 8.6求解受噪聲侵擾的線性方程組的廣義魯棒方法 |
| 8.7帶病態確定數值秩的不適定問題的正則化方法 |
| 8.8求解線性方程組的離散時間迭代方法中的矩陣分裂 |
| 8.9*小二乘問題 |
| 8.10線性方程組的L∞范數(*小*大)神經網絡 |
| 8.11求解線性方程的L1范數(*小絕對偏差)神經網絡 |
| 習題 |
| 參考文獻 |
| 第9章使用神經網絡的統計方法 |
| 9.1概述 |
| 9.2主成分分析 |
| 9.3神經網絡自適應主成分估計的學習算法 |
| 9.3.1**主成分估計——Oja的正規化Hebb學習規則 |
| 9.3.2多個主成分估計——對稱子空間學習規則 |
| 9.3.3多個主成分估計——廣義Hebb算法 |
| 9.3.4多個主成分估計——隨機梯度上升算法 |
| 9.3.5多個主成分估計——自適應主成分提取算法 |
| 9.3.6非線性主成分分析(NLPCA)和魯棒PCA |
| 9.4主成分回歸 |
| 9.5部分*小二乘回歸 |
| 9.6部分*小二乘回歸的神經網絡方法 |
| 9.7魯棒PLSR：一種神經網絡方法 |
| 習題 |
| 參考文獻 |
| 第10章使用神經網絡進行辨識.控制和估計 |
| 10.1概述 |
| 10.2線性系統的表示法 |
| 10.3自回歸滑動平均模型 |
| 10.4用ARMA模型的線性系統辨識 |
| 10.5應用PLSNET進行線性系統的參數系統辨識 |
| 10.6非線性系統的表示法 |
| 10.6.1非線性輸入-狀態-輸出表示法 |
| 10.6.2非線性ARMA |
| 10.7非線性動態系統的辨識和控制 |
| 10.7.1非線性系統的辨識 |
| 10.7.2非線性控制 |
| 10.8獨立成分分析：未知源信號的盲分離 |
| 10.8.1獨立成分分析的概述 |
| 10.8.2用神經網絡進行獨立成分分析 |
| 10.8.3用于ICA的快速固定點算法 |
| 10.9可加噪聲中的正弦曲線的譜估計 |
| 10.9.1問題描述 |
| 10.9.2頻率估計問題的PLSR解 |
| 10.10其他案例分析 |
| 10.10.1從近紅外譜模擬數據估計葡萄糖濃度 |
| 10.10.2使用次聲數據進行事件分類 |
| 習題 |
| 參考文獻 |
| 附錄A神經計算的數學基礎 |
| A.1引言 |
| A.2線性代數 |
| A.2.1域和向量空間 |
| A.2.2矩陣的表示和運算 |
| A.2.3內積和外積 |
| A.2.4向量的線性無關 |
| A.2.5矩陣的秩和線性無關 |
| A.2.6矩陣的確定性 |
| A.2.7矩陣的逆和偽逆 |
| A.2.8正交矩陣.酉矩陣和共軛向量 |
| A.2.9特征值和特征向量 |
| A.2.10相似變換 |
| A.2.11若當標準形 |
| A.2.12動態系統的狀態空間描述 |
| A.2.13向量和矩陣的范數 |
| A.2.14奇異值分解 |
| A.2.15矩陣條件數 |
| A.2.16分塊矩陣運算 |
| A.2.17克羅內克積與和 |
| A.2.18實數和復數方陣的重要性質小結 |
| A.2.19模式化矩陣和特殊矩陣 |
| A.3多變量分析的原理 |
| A.3.1集合和函數 |
| A.3.2二-次型 |
| A.3.3鏈式法則 |
| A.3.4矩陣微積分 |
| A.3.5黑塞矩陣 |
| A.3.6雅可比矩陣 |
| A.3.7泰勒級數展開式 |
| A.4李雅普諾夫直接法 |
| A.5無約束*優化方法 |
| A.5.1極值的充分必要條件 |
| A.5.2*速下降法 |
| A.5.3牛頓法 |
| A.5.4改進的牛頓法和擬牛頓法 |
| A.5.5共軛梯度法 |
| A.6約束非線性規劃 |
| A.6.1庫恩-塔克條件 |
| A.6.2拉格朗日乘子法 |
| A.7隨機變量和隨機過程 |
| A.7.1隨機變量 |
| A.7.2概率分布函數 |
| A.7.3概率密度函數 |
| A.7.4期望值.均值和矩 |
| A.7.5隨機過程 |
| A.7.6向量隨機過程 |
| A.7.7發功率譜密度函數和功率譜密度矩陣 |
| A.7.8白噪聲驅動的線性系統和譜因子分解 |
| A.8模糊集合論 |
| A.9部分三角恒等式 |
| 參考文獻 |
| 主題索引... |
展開全部
神經計算原理 作者簡介
Fredric M.Ham 博士現任佛里達理工學院的Harris教授，佛羅里達理工學院信息處理實驗室的主任。他于1980年在愛荷州立大學獲得電氣工程博士學位。他在信號處理、生物醫學工程、神經網絡和控制系統領域發表了許多論文，是電氣與電子工程師協會（IEEE）的高級會員，還是Eta Kappa Nu、Tau Beta Pi、Phi Kappa Phi 和Sigma Xi的會員。
書友推薦
- >
莉莉和章魚
- >
我與地壇
- >
山海經
- >
史學評論
- >
羅曼·羅蘭讀書隨筆-精裝
- >
龍榆生：詞曲概論/大家小書
- >
伯納黛特,你要去哪(2021新版)
- >
有舍有得是人生
本類暢銷
