前饋神經(jīng)網(wǎng)絡分析與設計

內(nèi)容概要

《前饋神經(jīng)網(wǎng)絡分析與設計》本書系統(tǒng)地論述了前饋神經(jīng)網(wǎng)絡的主要理論、設計基礎及應用實例，旨在使讀者了解神經(jīng)網(wǎng)絡的發(fā)展背景和研究對象，理解和熟悉它的基本原理和主要應用，掌握它的結(jié)構(gòu)模型和設計應用方法，特別是前饋神經(jīng)網(wǎng)絡的參數(shù)學習算法和結(jié)構(gòu)設計方法，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。作為擴充知識，書中還介紹了前饋神經(jīng)系統(tǒng)的基本概念、體系結(jié)構(gòu)、控制特性及信息模式。

作者簡介

喬俊飛，男，北京工業(yè)大學教授、博士生導師。國家杰出青年科學基金獲得者，北京高等學校精品課程（自動控制原理）負責人?，F(xiàn)任中國人工智能學會理事、中國自動化學會智能自動化專業(yè)委員會委員、中國自動化學會過程控制專業(yè)委員會委員、北京自動化學會常務理事，《控制工程》、《北京工業(yè)大學學報》等期刊編委。入選教育部新世紀優(yōu)秀人才計劃、北京市科技新星計劃等。喬俊飛教授長期從事計算智能及智能信息處理方面的研究工作，已在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Fuzzy Systems等權(quán)威刊物上發(fā)表學術(shù)論文近百篇；獲得授權(quán)國家發(fā)明專利12項，軟件著作權(quán)8項。并先后獲得教育部科學技術(shù)進步一等獎（個人排名第一）、北京市教育教學成果獎二等獎（個人排名第一）、北京市優(yōu)秀教師等10余項省部級及以上獎勵。

書籍目錄

總序
前言
第1章 緒論
1.1 引言
1.2 神經(jīng)網(wǎng)絡及其發(fā)展
1.2.1 神經(jīng)網(wǎng)絡的定義
1.2.2 神經(jīng)網(wǎng)絡的功能
1.2.3 神經(jīng)網(wǎng)絡的發(fā)展
1.2.4 神經(jīng)網(wǎng)絡的應用
1.3 人工神經(jīng)網(wǎng)絡的結(jié)構(gòu)設計
1.3.1 人工神經(jīng)網(wǎng)絡的結(jié)構(gòu)
1.3.2 前饋神經(jīng)網(wǎng)絡結(jié)構(gòu)設計研究現(xiàn)狀
1.4 本書主要內(nèi)容
1.4.1 神經(jīng)網(wǎng)絡參數(shù)學習算法研究
1.4.2 神經(jīng)網(wǎng)絡結(jié)構(gòu)設計方法研究
1.4.3 自組織神經(jīng)網(wǎng)絡結(jié)構(gòu)算法研究
1.4.4 應用研究
參考文獻
第2章 感知器神經(jīng)網(wǎng)絡
2.1 引言
2.2 感知器神經(jīng)網(wǎng)絡分析
2.2.1 單神經(jīng)元分析
2.2.2 單層感知器神經(jīng)網(wǎng)絡
2.2.3 多層感知器神經(jīng)網(wǎng)絡
2.3 感知器神經(jīng)網(wǎng)絡學習算法
2.3.1 隱含層與輸出層之間的權(quán)值修正
2.3.2 輸入層與隱含層之間的權(quán)值修正
2.3.3 BP算法的改進
2.4 本章小結(jié)
附錄A數(shù)學基礎
附錄A.1 泰勒引理
附錄A.2 泰勒定理和推論
參考文獻
第3章 RBF神經(jīng)網(wǎng)絡
3.1 引言
3.2 RBF神經(jīng)網(wǎng)絡原理
3.2.1 插值計算
3.2.2 模式可分性
3.2.3 正規(guī)化法則
3.2.4 RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)
3.3 RBF神經(jīng)網(wǎng)絡學習算法
3.3.1 中心值學習策略
3.3.2 隱含層和輸出層連接權(quán)值學習策略
3.4 本章小結(jié)
附錄B數(shù)學運算
附錄B.1 域和向量空間
附錄B.2　矩陣的表示和運算
附錄B.3 矩陣的性質(zhì)
附錄B.4 矩陣范數(shù)的運算
參考文獻
第4章 模糊神經(jīng)網(wǎng)絡
4.1 引言
4.2 模糊推理系統(tǒng)描述
4.2.1 模糊集合與隸屬函數(shù)
4.2.2 模糊運算
4.3 模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)
4.4 模糊神經(jīng)網(wǎng)絡學習算法
4.5 本章小結(jié)
參考文獻
第5章 前饋神經(jīng)網(wǎng)絡快速下降算法研究
5.1 引言
5.2 神經(jīng)網(wǎng)絡學習
5.2.1 神經(jīng)網(wǎng)絡結(jié)構(gòu)及信息處理
5.2.2 神經(jīng)網(wǎng)絡學習算法分析
5.3 快速下降算法
5.3.1 快速下降算法描述
5.3.2 快速下降算法收斂性分析
5.4 仿真研究
5.4.1 感知器神經(jīng)網(wǎng)絡仿真研究
5.4.2 RBF神經(jīng)網(wǎng)絡仿真研究
5.5 本章小結(jié)
參考文獻
第6章 前饋神經(jīng)網(wǎng)絡改進型遞歸最小二乘算法研究
6.1 引言
6.2 遞歸最小二乘算法
6.2.1 遞歸最小二乘算法描述
6.2.2 遞歸最小二乘算法分析
6.3 改進型遞歸最小二乘算法
6.3.1 改進型遞歸最小二乘算法描述
6.3.2 改進型遞歸最小二乘算法收斂性分析
6.4 改進型遞歸最小二乘算法的應用
6.4.1 非線性函數(shù)逼近
6.4.2 雙螺旋模式分類
6.4.3 污泥膨脹預測
6.5 本章小結(jié)
參考文獻
第7章 基于顯著性分析的快速修剪型感知器神經(jīng)網(wǎng)絡
7.1 引言
7.1.1 增長型神經(jīng)網(wǎng)絡
7.1.2 修剪型神經(jīng)網(wǎng)絡
7.2 顯著性分析
7.2.1 誤差曲面分析
7.2.2 顯著性分析算法
7.3 基于顯著性分析的快速修剪算法
7.3.1 多層感知器神經(jīng)網(wǎng)絡
7.3.2 多層感知器神經(jīng)網(wǎng)絡快速修剪算法
7.3.3 仿真研究
7.4 本章小結(jié)
參考文獻
第8章 增長修剪型多層感知器神經(jīng)網(wǎng)絡
8.1 引言
8.2 敏感度計算
8.2.1 敏感度分析方法的分類
8.2.2 敏感度分析方法
8.2.3 敏感度計算
8.3 神經(jīng)網(wǎng)絡輸出敏感度分析
8.3.1 敏感度分析的頻域研究
8.3.2 神經(jīng)網(wǎng)絡輸出敏感度分析
8.4 增長修剪型多層感知器神經(jīng)網(wǎng)絡分析
8.4.1 隱含層神經(jīng)元的敏感度
8.4.2 神經(jīng)元增長和修剪
8.4.3 增長修剪型感知器神經(jīng)網(wǎng)絡
8.4.4 收斂性分析
8.5 增長修剪型多層感知器神經(jīng)網(wǎng)絡應用
8.5.1 非線性函數(shù)逼近
8.5.2 數(shù)據(jù)分類
8.5.3 生化需氧量軟測量
8.6 本章小結(jié)
參考文獻
第9章 彈性RBF神經(jīng)網(wǎng)絡
9.1 引言
9.2 RBF神經(jīng)網(wǎng)絡描述
9.3 彈性RBF神經(jīng)網(wǎng)絡
9.3.1 神經(jīng)元修復準則
9.3.2 神經(jīng)網(wǎng)絡結(jié)構(gòu)優(yōu)化設計
9.3.3 彈性RBF神經(jīng)網(wǎng)絡
9.3.4 收斂性分析
9.4 彈性RBF神經(jīng)網(wǎng)絡應用
9.4.1 非線性函數(shù)逼近
9.4.2 非線性系統(tǒng)建模
9.4.3 溶解氧模型預測控制
9.5 本章小結(jié)
附錄C熵
附錄C.1 熵的概念
附錄C.2 互信息
參考文獻
第10章 自組織模糊神經(jīng)網(wǎng)絡
10.1 引言
10.2 模糊神經(jīng)網(wǎng)絡
10.3 自組織模糊神經(jīng)網(wǎng)絡分析
10.3.1 模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)優(yōu)化
10.3.2 模糊神經(jīng)網(wǎng)絡自組織設計算法
10.3.3 收斂性分析
10.4 自組織模糊神經(jīng)網(wǎng)絡應用
10.4.1 非線性系統(tǒng)建模
10.4.2 Mackey Glass時間序列系統(tǒng)預測
10.4.3 污水處理關(guān)鍵水質(zhì)參數(shù)預測
10.4.4 污水處理過程溶解氧控制
10.5 本章小結(jié)
參考文獻
索引

章節(jié)摘錄

版權(quán)頁：   插圖：   （2）多因素敏感度分析法。實際上，許多因素的變動具有相關(guān)性，一個因素的變動往往也伴隨著其他因素的變動。多因素敏感度分析法是指在假定其他不確定性因素不變條件下，計算分析兩種或兩種以上不確定性因素同時發(fā)生變動，對系統(tǒng)的狀態(tài)或輸出變化的影響程度，確定敏感度因素及其極限值。     多因素敏感度分析要考慮可能發(fā)生的各種因素不同變動幅度的多種組合，計算起來要比單因素敏感度分析復雜得多。多因素敏感度分析一般是在單因素敏感度分析基礎進行的，且分析的基本原理與單因素敏感度分析大體相同，但需要注意的是，多因素敏感度分析須進一步假定同時變動的幾個因素都是相互獨立的，且各因素發(fā)生變化的概率相同，圖8—2為一個雙因素敏感度分析圖。 根據(jù)敏感度分析作用的范圍，可以分為全局敏感度分析和局部敏感度分析兩種。局部敏感度分析值檢驗單個參數(shù)對模型的影響程度，而全局敏感度分析則檢驗多個參數(shù)對模型輸出的影響。 （1）全局敏感度分析。全局敏感度分析主要研究模型輸出的不確定性如何分配給模型輸入不確定性的不同來源之中。所謂“全局”，并不是一個必需的限定，而是相對于一些文獻中提出的“局部”或“單因素”敏感度分析方法而言的。全局敏感度分析，同時考慮所有模型參數(shù)的影響，不同參數(shù)在一定范圍內(nèi)的變化對模型輸出或系統(tǒng)狀態(tài)的共同作用，并以圖形的方式顯示研究目標隨著設計參數(shù)的變化情況。進行全局敏感度分析，可以確定參數(shù)對模型某一性能的整體影響，尤其對于參數(shù)在變化過程中可能引起性能發(fā)生突變時，全局敏感度分析方法就顯得尤為重要了。蒙特卡羅分析方法是一種基于隨機采樣的全局敏感度分析方法。該方法主要根據(jù)參數(shù)的概率分析對所有模型參數(shù)進行隨機采樣，并對各個參數(shù)的樣本進行模擬計算，通過對模型輸出與各個參數(shù)進行統(tǒng)計分析，從而得出各個參數(shù)對系統(tǒng)的敏感度指標。 全局靈敏度的求解當然可以通過局部靈敏度得到，即在參數(shù)的變化區(qū)間上取值，分別計算參數(shù)取這些值時的局部靈敏度值，再通過擬合這些局部靈敏度值來得到全局靈敏度。顯然這種方法顯得過于煩瑣，且相當耗時。 （2）局部敏感度分析。局部敏感度分析是檢驗單個參數(shù)的變化對模型輸出或系統(tǒng)狀態(tài)的影響程度，可以對設計參數(shù)在偏移名義值較小時進行局部靈敏度分析，并且可視化顯示特定設計參數(shù)的改變是否對研究目標有較大的影響，進行局部靈敏度分析，可以較容易地知道哪些參數(shù)對性能影響較大，從而縮小研究范圍，最主要的優(yōu)點在于其可操作性。采用局部敏感度分析，首先選出對模型輸出結(jié)果影響較大的參數(shù)，對于這些參數(shù)在分析模型的過程中需要盡可能提高參數(shù)的準確度；而對于那些對模型結(jié)果影響不是很大的非靈敏參數(shù)，只需選取其經(jīng)驗值。這在很大程度上減少了模型參數(shù)整定和驗證的工作量。其次，可以加深對模型的理解。不同的參數(shù)變化對模型的影響程度和方式都是不一樣的，全面掌握參數(shù)對模型的影響程度和方式，有助于在模型使用條件不同的情況下選擇相對應的最為敏感的參數(shù)以進行重點識別，可以提高工作效率，再次，加深對所模擬的系統(tǒng)行為的理解。通過局部靈敏度分析可以發(fā)現(xiàn)所模擬系統(tǒng)對哪些參數(shù)的何種變化最為敏感，從而可以確定各模擬因子對所模擬系統(tǒng)的影響程度。

編輯推薦

《前饋神經(jīng)網(wǎng)絡分析與設計》適合高?？刂婆c信息類專業(yè)研究生、智能科學技術(shù)專業(yè)本科生以及各類科技人員閱讀。

圖書封面

評論、評分、閱讀與下載

---

    前饋神經(jīng)網(wǎng)絡分析與設計 PDF格式下載

---