掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書(shū)更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(shū)(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥74.2
加入購(gòu)物車
深度學(xué)習(xí),優(yōu)化與識(shí)別 版權(quán)信息
- ISBN：9787302473671
- 條形碼：9787302473671 ; 978-7-302-47367-1
- 裝幀：暫無(wú)
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>
深度學(xué)習(xí),優(yōu)化與識(shí)別 本書(shū)特色
深度神經(jīng)網(wǎng)絡(luò)是近年來(lái)受到廣泛關(guān)注的研究方向，它已成為人工智能2.0的主要組成部分。本書(shū)系統(tǒng)地論述了深度神經(jīng)網(wǎng)絡(luò)基本理論、算法及應(yīng)用。全書(shū)共十六章，分為兩個(gè)部分；*部分（*章到第十章）系統(tǒng)論述了理論及算法，包括深度前饋神經(jīng)網(wǎng)絡(luò)、深度卷積神經(jīng)網(wǎng)絡(luò)、深度堆棧神經(jīng)網(wǎng)絡(luò)、深度遞歸神經(jīng)網(wǎng)絡(luò)、深度生成網(wǎng)絡(luò)、深度融合網(wǎng)絡(luò)等；第二部分（第十一章到第十五章）論述了常用的深度學(xué)習(xí)平臺(tái)，以及在高光譜圖像、自然圖像、SAR與極化SAR影像等領(lǐng)域的應(yīng)用；第十六章為總結(jié)與展望，給出了深度學(xué)習(xí)發(fā)展的歷史圖、前沿方及*進(jìn)展。每章都附有相關(guān)閱讀材料及仿真代碼，以便有興趣的讀者進(jìn)一步鉆研探索。 本書(shū)可為高等院校計(jì)算機(jī)科學(xué)、電子科學(xué)與技術(shù)、信息科學(xué)、控制科學(xué)與工程、人工智能等領(lǐng)域的研究人員提供參考，以及作為相關(guān)專業(yè)本科生及研究生教學(xué)參考書(shū)，同時(shí)可供深度學(xué)習(xí)及其應(yīng)用感興趣的研究人員和工程技術(shù)人員參考。
深度學(xué)習(xí),優(yōu)化與識(shí)別 內(nèi)容簡(jiǎn)介
1） 系統(tǒng)講解深度神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論與算法，包括深度前饋神經(jīng)網(wǎng)絡(luò)、深度卷積神經(jīng)網(wǎng)絡(luò)、深度堆棧神經(jīng)網(wǎng)絡(luò)、深度遞歸神經(jīng)網(wǎng)絡(luò)、深度生成網(wǎng)絡(luò)、深度融合網(wǎng)絡(luò)等。七個(gè)G資源請(qǐng)加QQ群196832021獲取2） 系統(tǒng)論述常用深度學(xué)習(xí)平臺(tái)在高光譜圖像、自然圖像、SAR與極化SAR影響等領(lǐng)域的典型應(yīng)用。3）展望深度學(xué)習(xí)發(fā)展的歷史圖、前沿方向及*進(jìn)展。
深度學(xué)習(xí),優(yōu)化與識(shí)別 目錄
目錄
第1章深度學(xué)習(xí)基礎(chǔ)
1.1數(shù)學(xué)基礎(chǔ)
1.1.1矩陣論
1.1.2概率論
1.1.3優(yōu)化分析
1.1.4框架分析
1.2稀疏表示
1.2.1稀疏表示初步
1.2.2稀疏模型
1.2.3稀疏認(rèn)知學(xué)習(xí)、計(jì)算與識(shí)別的范式
1.3機(jī)器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)
1.3.1機(jī)器學(xué)習(xí)
1.3.2神經(jīng)網(wǎng)絡(luò)
參考文獻(xiàn)
第2章深度前饋神經(jīng)網(wǎng)絡(luò)
2.1神經(jīng)元的生物機(jī)理
2.1.1生物機(jī)理
2.1.2單隱層前饋神經(jīng)網(wǎng)絡(luò)
2.2多隱層前饋神經(jīng)網(wǎng)絡(luò)
2.3反向傳播算法
2.4深度前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)范式
參考文獻(xiàn)
第3章深度卷積神經(jīng)網(wǎng)絡(luò)
3.1卷積神經(jīng)網(wǎng)絡(luò)的生物機(jī)理及數(shù)學(xué)刻畫(huà)
3.1.1生物機(jī)理
3.1.2卷積流的數(shù)學(xué)刻畫(huà)
3.2深度卷積神經(jīng)網(wǎng)絡(luò)
3.2.1典型網(wǎng)絡(luò)模型與框架
3.2.2學(xué)習(xí)算法及訓(xùn)練策略
3.2.3模型的優(yōu)缺點(diǎn)分析
3.3深度反卷積神經(jīng)網(wǎng)絡(luò)
3.3.1卷積稀疏編碼
3.3.2深度反卷積神經(jīng)網(wǎng)絡(luò)
3.3.3網(wǎng)絡(luò)模型的性能分析與應(yīng)用舉例
3.4全卷積神經(jīng)網(wǎng)絡(luò)
3.4.1網(wǎng)絡(luò)模型的數(shù)學(xué)刻畫(huà)
3.4.2網(wǎng)絡(luò)模型的性能分析及應(yīng)用舉例
參考文獻(xiàn)
第4章深度堆棧自編碼網(wǎng)絡(luò)
4.1自編碼網(wǎng)絡(luò)
4.1.1逐層學(xué)習(xí)策略
4.1.2自編碼網(wǎng)絡(luò)
4.1.3自編碼網(wǎng)絡(luò)的常見(jiàn)范式
4.2深度堆棧網(wǎng)絡(luò)
4.3深度置信網(wǎng)絡(luò)/深度玻爾茲曼機(jī)網(wǎng)絡(luò)
4.3.1玻爾茲曼機(jī)/受限玻爾茲曼機(jī)
4.3.2深度玻爾茲曼機(jī)/深度置信網(wǎng)絡(luò)
參考文獻(xiàn)
第5章稀疏深度神經(jīng)網(wǎng)絡(luò)
5.1稀疏性的生物機(jī)理
5.1.1生物視覺(jué)機(jī)理
5.1.2稀疏性響應(yīng)與數(shù)學(xué)物理描述
5.2稀疏深度網(wǎng)絡(luò)模型及基本性質(zhì)
5.2.1數(shù)據(jù)的稀疏性
5.2.2稀疏正則
5.2.3稀疏連接
5.2.4稀疏分類器設(shè)計(jì)
5.2.5深度學(xué)習(xí)中關(guān)于稀疏的技巧與策略
5.3網(wǎng)絡(luò)模型的性能分析
5.3.1稀疏性對(duì)深度學(xué)習(xí)的影響
5.3.2對(duì)比試驗(yàn)及結(jié)果分析
參考文獻(xiàn)
第6章深度融合網(wǎng)絡(luò)
6.1深度SVM網(wǎng)絡(luò)
6.1.1從神經(jīng)網(wǎng)絡(luò)到SVM
6.1.2網(wǎng)絡(luò)模型的結(jié)構(gòu)
6.1.3訓(xùn)練技巧
6.2深度PCA網(wǎng)絡(luò)
6.3深度ADMM網(wǎng)絡(luò)
6.4深度極限學(xué)習(xí)機(jī)
6.4.1極限學(xué)習(xí)機(jī)
6.4.2深度極限學(xué)習(xí)機(jī)
6.5深度多尺度幾何網(wǎng)絡(luò)
6.5.1深度脊波網(wǎng)絡(luò)
6.5.2深度輪廓波網(wǎng)絡(luò)
6.6深度森林
6.6.1多分辨特性融合
6.6.2級(jí)聯(lián)特征深度處理
參考文獻(xiàn)
第7章深度生成網(wǎng)絡(luò)
7.1生成式對(duì)抗網(wǎng)絡(luò)的基本原理
7.1.1網(wǎng)絡(luò)模型的動(dòng)機(jī)
7.1.2網(wǎng)絡(luò)模型的數(shù)學(xué)物理描述
7.2深度卷積對(duì)抗生成網(wǎng)絡(luò)
7.2.1網(wǎng)絡(luò)模型的基本結(jié)構(gòu)
7.2.2網(wǎng)絡(luò)模型的性能分析
7.2.3網(wǎng)絡(luò)模型的典型應(yīng)用
7.3深度生成網(wǎng)絡(luò)模型的新范式
7.3.1生成式對(duì)抗網(wǎng)絡(luò)的新范式
7.3.2網(wǎng)絡(luò)框架的性能分析與改進(jìn)
7.4應(yīng)用驅(qū)動(dòng)下的兩種新生成式對(duì)抗網(wǎng)絡(luò)
7.4.1堆棧生成式對(duì)抗網(wǎng)絡(luò)
7.4.2對(duì)偶學(xué)習(xí)范式下的生成式對(duì)抗網(wǎng)絡(luò)
7.5變分自編碼器
參考文獻(xiàn)
第8章深度復(fù)卷積神經(jīng)網(wǎng)絡(luò)與深度二值神經(jīng)網(wǎng)絡(luò)
8.1深度復(fù)卷積神經(jīng)網(wǎng)絡(luò)
8.1.1網(wǎng)絡(luò)模型構(gòu)造的動(dòng)機(jī)
8.1.2網(wǎng)絡(luò)模型的數(shù)學(xué)物理描述
8.2深度二值神經(jīng)網(wǎng)絡(luò)
8.2.1網(wǎng)絡(luò)基本結(jié)構(gòu)
8.2.2網(wǎng)絡(luò)的數(shù)學(xué)物理描述
8.2.3討論
參考文獻(xiàn)
第9章深度循環(huán)和遞歸神經(jīng)網(wǎng)絡(luò)
9.1深度循環(huán)神經(jīng)網(wǎng)絡(luò)
9.1.1循環(huán)神經(jīng)網(wǎng)絡(luò)的生物機(jī)理
9.1.2簡(jiǎn)單的循環(huán)神經(jīng)網(wǎng)絡(luò)
9.1.3深度循環(huán)神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)物理描述
9.2深度遞歸神經(jīng)網(wǎng)絡(luò)
9.2.1簡(jiǎn)單的遞歸神經(jīng)網(wǎng)絡(luò)
9.2.2深度遞歸神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)
9.3長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)
9.3.1改進(jìn)動(dòng)機(jī)分析
9.3.2長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)分析
9.4典型應(yīng)用
9.4.1深度循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用舉例
9.4.2深度遞歸神經(jīng)網(wǎng)絡(luò)的應(yīng)用舉例
參考文獻(xiàn)
第10章深度強(qiáng)化學(xué)習(xí)
10.1深度強(qiáng)化學(xué)習(xí)簡(jiǎn)介
10.1.1深度強(qiáng)化學(xué)習(xí)的基本思路
10.1.2發(fā)展歷程
10.1.3應(yīng)用新方向
10.2深度Q網(wǎng)絡(luò)
10.2.1網(wǎng)絡(luò)基本模型與框架
10.2.2深度Q網(wǎng)絡(luò)的數(shù)學(xué)分析
10.3應(yīng)用舉例——AlphaGo
10.3.1AlphaGo原理分析
10.3.2深度強(qiáng)化學(xué)習(xí)性能分析
參考文獻(xiàn)
第11章深度學(xué)習(xí)軟件仿真平臺(tái)及開(kāi)發(fā)環(huán)境
11.1Caffe平臺(tái)
11.1.1Caffe平臺(tái)開(kāi)發(fā)環(huán)境
11.1.2AlexNet神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)
11.1.3AlexNet神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像分類
11.2TensorFlow平臺(tái)
11.2.1TensorFlow平臺(tái)開(kāi)發(fā)環(huán)境
11.2.2深度卷積生成式對(duì)抗網(wǎng)DCGAN
11.2.3DAN應(yīng)用于樣本擴(kuò)充
11.3MXNet平臺(tái)
11.3.1MXNet平臺(tái)開(kāi)發(fā)環(huán)境
11.3.2VGGNET深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)
11.3.3圖像分類應(yīng)用任務(wù)
11.4Torch 7平臺(tái)
11.4.1Torch 7平臺(tái)開(kāi)發(fā)環(huán)境
11.4.2二值神經(jīng)網(wǎng)絡(luò)
11.4.3二值神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像分類
11.5Theano平臺(tái)
11.5.1Theano平臺(tái)開(kāi)發(fā)環(huán)境
11.5.2遞歸神經(jīng)網(wǎng)絡(luò)
11.5.3LSTM應(yīng)用于情感分類任務(wù)
參考文獻(xiàn)
第12章基于深度神經(jīng)網(wǎng)絡(luò)的SAR/PolSAR影像地物分類
12.1數(shù)據(jù)集及研究目的
12.1.1數(shù)據(jù)集特性分析
12.1.2基本數(shù)據(jù)集
12.1.3研究目的
12.2基于深度神經(jīng)網(wǎng)絡(luò)的SAR影像地物分類
12.2.1基于自適應(yīng)自編碼和超像素的SAR圖像分類
12.2.2基于卷積中層特征學(xué)習(xí)的SAR圖像分類
12.3基于**代深度神經(jīng)網(wǎng)絡(luò)的PolSAR影像地物分類
12.3.1基于稀疏極化DBN的極化SAR地物分類
12.3.2基于深度PCA網(wǎng)絡(luò)的極化SAR影像地物分類
12.4基于第二代深度神經(jīng)網(wǎng)絡(luò)的PolSAR影像地物分類
12.4.1基于深度復(fù)卷積網(wǎng)絡(luò)的PolSAR影像地物分類
12.4.2基于生成式對(duì)抗網(wǎng)的PolSAR影像地物分類
12.4.3基于深度殘差網(wǎng)絡(luò)的PolSAR影像地物分類
參考文獻(xiàn)
第13章基于深度神經(jīng)網(wǎng)絡(luò)的SAR影像的變化檢測(cè)
13.1數(shù)據(jù)集特點(diǎn)及研究目的
13.1.1研究目的
13.1.2數(shù)據(jù)基本特性
13.1.3典型數(shù)據(jù)集
13.2基于深度學(xué)習(xí)和SIFT特征的SAR圖像變化檢測(cè)
13.2.1基本方法與實(shí)現(xiàn)策略
13.2.2對(duì)比試驗(yàn)結(jié)果分析
13.3基于SAE的SAR圖像變化檢測(cè)
13.3.1基本方法與實(shí)現(xiàn)策略
13.3.2實(shí)驗(yàn)結(jié)果和分析
13.4基于CNN的SAR圖像變化檢測(cè)
13.4.1基本方法與實(shí)現(xiàn)策略
13.4.2對(duì)比試驗(yàn)結(jié)果分析
參考文獻(xiàn)
第14章基于深度神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類與壓縮
14.1數(shù)據(jù)集及研究目的
14.1.1高光譜遙感技術(shù)
14.1.2高光譜遙感的研究目的
14.1.3常用的高光譜數(shù)據(jù)集
14.2基于深度神經(jīng)網(wǎng)絡(luò)的高光譜影像的分類
14.2.1基于堆棧自編碼的高光譜影像的分類
14.2.2基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜影像的分類
14.3基于深度神經(jīng)網(wǎng)絡(luò)的高光譜影像的壓縮
14.3.1基于深度自編碼網(wǎng)絡(luò)的高光譜圖像壓縮方法
14.3.2實(shí)驗(yàn)設(shè)計(jì)及分類結(jié)果
參考文獻(xiàn)
第15章基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)與識(shí)別
15.1數(shù)據(jù)特性及研究目的
15.1.1研究目的
15.1.2常用數(shù)據(jù)集
15.2基于快速CNN的目標(biāo)檢測(cè)與識(shí)別
15.2.1RCNN
15.2.2Fast RCNN
15.2.3Faster RCNN
15.2.4對(duì)比實(shí)驗(yàn)結(jié)果與分析
15.3基于回歸學(xué)習(xí)的目標(biāo)檢測(cè)與識(shí)別
15.3.1YOLO
15.3.2SSD
15.3.3對(duì)比實(shí)驗(yàn)結(jié)果與分析
15.4基于學(xué)習(xí)搜索的目標(biāo)檢測(cè)與識(shí)別
15.4.1基于深度學(xué)習(xí)的主動(dòng)目標(biāo)定位
15.4.2AttentionNet
15.4.3對(duì)比實(shí)驗(yàn)結(jié)果與分析
參考文獻(xiàn)
第16章總結(jié)與展望
16.1深度學(xué)習(xí)發(fā)展歷史圖
16.1.1從機(jī)器學(xué)習(xí)、稀疏表示學(xué)習(xí)到深度學(xué)習(xí)
16.1.2深度學(xué)習(xí)、計(jì)算與認(rèn)知的范式演進(jìn)
16.1.3深度學(xué)習(xí)形成脈絡(luò)
16.2深度學(xué)習(xí)的應(yīng)用介紹
16.2.1目標(biāo)檢測(cè)與識(shí)別
16.2.2超分辨
16.2.3自然語(yǔ)言處理
16.3深度神經(jīng)網(wǎng)絡(luò)的可塑性
16.3.1旋轉(zhuǎn)不變性
16.3.2平移不變性
16.3.3多尺度、多分辨和多通路特性
16.3.4稀疏性
16.4基于腦啟發(fā)式的深度學(xué)習(xí)前沿方向
16.4.1生物神經(jīng)領(lǐng)域關(guān)于認(rèn)知、識(shí)別、注意等的*新研究進(jìn)展
16.4.2深度神經(jīng)網(wǎng)絡(luò)的進(jìn)一步研究方向
16.4.3深度學(xué)習(xí)的可拓展性
參考文獻(xiàn)
附錄A基于深度學(xué)習(xí)的常見(jiàn)任務(wù)處理介紹
附錄B代碼介紹
展開(kāi)全部
深度學(xué)習(xí),優(yōu)化與識(shí)別 作者簡(jiǎn)介
焦李成，男，漢族，1959年10月生，1992年起任西安電子科技大學(xué)教授。現(xiàn)任智能感知與計(jì)算國(guó)際聯(lián)合研究中心主任、智能感知與圖像理解教育部重點(diǎn)實(shí)驗(yàn)室主任、智能感知與計(jì)算國(guó)際合作聯(lián)合實(shí)驗(yàn)室主任、“智能信息處理科學(xué)與技術(shù)”高等學(xué)校學(xué)科創(chuàng)新引智基地（“111計(jì)劃”）主任、教育部科技委國(guó)際合作部學(xué)部委員、中國(guó)人工智能學(xué)會(huì)副理事長(zhǎng)、IET西安分會(huì)主席、IEEE西安分會(huì)獎(jiǎng)勵(lì)委員會(huì)主席、IEEE計(jì)算智能協(xié)會(huì)西安分會(huì)主席、IEEE GRSS西安分會(huì)主席，IEEE TGRS副主編、教育部創(chuàng)新團(tuán)隊(duì)首席專家。國(guó)務(wù)院學(xué)位委員會(huì)學(xué)科評(píng)議組成員、教育部本科教學(xué)水平評(píng)估專家。1991年被批準(zhǔn)為享受國(guó)務(wù)院政府津貼的專家，1996年首批入選國(guó)家“百千萬(wàn)”人才工程（第一、二層次）。當(dāng)選為全國(guó)模范教師、陜西省師德標(biāo)兵和曾任第八屆全國(guó)人大代表。焦李成教授的主要研究方向?yàn)橹悄芨兄c計(jì)算、圖像理解與目標(biāo)識(shí)別、深度學(xué)習(xí)與類腦計(jì)算，培養(yǎng)的十余名博士獲全國(guó)優(yōu)秀博士學(xué)位論文獎(jiǎng)、提名獎(jiǎng)及陜西省優(yōu)秀博士論文獎(jiǎng)。研究成果獲包括國(guó)家自然科學(xué)獎(jiǎng)二等獎(jiǎng)及省部級(jí)一等獎(jiǎng)以上科技獎(jiǎng)勵(lì)十余項(xiàng)，出版學(xué)術(shù)專著十余部，五次獲國(guó)家優(yōu)秀科技圖書(shū)獎(jiǎng)勵(lì)及全國(guó)首屆三個(gè)一百優(yōu)秀圖書(shū)獎(jiǎng)。所發(fā)表的論著被他人引用超過(guò)25000余篇次，H指數(shù)為65。
書(shū)友推薦
- >
二體千字文
- >
我與地壇
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(shū)(紅燭學(xué)術(shù)叢書(shū))
- >
人文閱讀與收藏·良友文學(xué)叢書(shū):一天的工作
- >
詩(shī)經(jīng)-先民的歌唱
- >
羅曼·羅蘭讀書(shū)隨筆-精裝
- >
莉莉和章魚(yú)
- >
我從未如此眷戀人間
本類暢銷
