前饋神經(jīng)網(wǎng)絡(luò)及其應(yīng)用

出版時間:2013-3  出版社:科學出版社  

內(nèi)容概要

《前饋神經(jīng)網(wǎng)絡(luò)及其應(yīng)用》較系統(tǒng)地介紹了前饋神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型、學習算法、逼近理論,除介紹國內(nèi)外其他學者的研究成果外,主要介紹作者已公開發(fā)表和尚未公開發(fā)表的系列研究工作。主要內(nèi)容包括:前饋神經(jīng)網(wǎng)絡(luò)的模型選擇、混合專家網(wǎng)絡(luò)的改進模型、前饋神經(jīng)網(wǎng)絡(luò)的改進模型及前饋神經(jīng)網(wǎng)絡(luò)的應(yīng)用。

書籍目錄

前言 符號說明 第1章緒論 1.1有監(jiān)督學習和無監(jiān)督學習 1.1.1有監(jiān)督學習 1.1.2無監(jiān)督學習 1.2神經(jīng)網(wǎng)絡(luò)的分類 1.2.1前饋神經(jīng)網(wǎng)絡(luò) 1.2.2反饋神經(jīng)網(wǎng)絡(luò) 1.3前饋神經(jīng)網(wǎng)絡(luò)的模型選擇與混合策略 1.3.1前饋神經(jīng)網(wǎng)絡(luò)的模型選擇 1.3.2前饋神經(jīng)網(wǎng)絡(luò)的混合策略 參考文獻 第2章有監(jiān)督學習前饋神經(jīng)網(wǎng)絡(luò) 2.1多層感知器神經(jīng)網(wǎng)絡(luò) 2.1.1網(wǎng)絡(luò)結(jié)構(gòu) 2.1.2學習算法 2.1.3逼近理論 2.2徑向基函數(shù)神經(jīng)網(wǎng)絡(luò) 2.2.1網(wǎng)絡(luò)結(jié)構(gòu) 2.2.2學習算法 2.2.3逼近理論 2.3切比雪夫神經(jīng)網(wǎng)絡(luò) 2.3.1網(wǎng)絡(luò)結(jié)構(gòu) 2.3.2學習算法 2.3.3逼近理論 2.4支持向量機 2.4.1網(wǎng)絡(luò)結(jié)構(gòu) 2.4.2學習算法 2.4.3逼近理論 參考文獻 第3章無監(jiān)督學習前饋神經(jīng)網(wǎng)絡(luò) 3.1自組織映射神經(jīng)網(wǎng)絡(luò) 3.1.1網(wǎng)絡(luò)結(jié)構(gòu) 3.1.2學習算法 3.1.3核自組織映射神經(jīng)網(wǎng)絡(luò) 3.2神經(jīng)氣網(wǎng)絡(luò) 3.2.1學習算法 3.2.2核神經(jīng)氣網(wǎng)絡(luò) 3.2.3生長型神經(jīng)氣網(wǎng)絡(luò) 3.3主成分分析及其改進方法 3.3.1主成分分析 3.3.2核主成分分析 3.3.3二維主成分分析 參考文獻 第4章前饋神經(jīng)網(wǎng)絡(luò)的模型選擇 4.1基于假設(shè)檢驗的方法 4.1.1Wald-檢驗 4.1.2LM-檢驗 4.2基于信息準則的方法 4.2.1AIC準則和BIC準則 4.2.2最小描述長度和交叉驗證 4.3基于敏感度分析的方法 4.3.1基于偏導數(shù)的敏感度分析方法 4.3.2基于隨機分析的敏感度分析方法 4.4基于互信息的方法 4.4.1互信息及其估計 4.4.2基于互信息的多層感知器兩階段構(gòu)造方法 參考文獻 第5章單個前饋神經(jīng)網(wǎng)絡(luò) 5.1基于正則化相關(guān)熵的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)學習方法 5.1.1正則化相關(guān)熵準則 5.1.2數(shù)值實驗 5.2橢球基函數(shù)神經(jīng)網(wǎng)絡(luò)的混合學習方法 5.2.1橢球基函數(shù)神經(jīng)網(wǎng)絡(luò) 5.2.2橢球基函數(shù)神經(jīng)網(wǎng)絡(luò)的混合學習策略 5.2.3數(shù)值實驗 5.3基于互信息的特征加權(quán)支持向量機 5.3.1基于互信息的特征權(quán)重估計 5.3.2特征加權(quán)支持向量機 5.3.3數(shù)值實驗 參考文獻 第6章混合前饋神經(jīng)網(wǎng)絡(luò) 6.1高斯、Sigmoid、切比雪夫混合前饋神經(jīng)網(wǎng)絡(luò) 6.1.1Gauss-Sigmoid神經(jīng)網(wǎng)絡(luò) 6.1.2高斯一切比雪夫神經(jīng)網(wǎng)絡(luò) 6.1.3數(shù)值實驗 6.2基于自適應(yīng)模糊c均值的混合專家模型 6.2.1基于PBMF-index的模糊c均值聚類算法 6.2.2結(jié)構(gòu)描述和實現(xiàn)方法 6.2.3數(shù)值實驗 參考文獻 第7章前饋神經(jīng)網(wǎng)絡(luò)的應(yīng)用 7.1前饋神經(jīng)網(wǎng)絡(luò)在人臉識別中的應(yīng)用 7.2前饋神經(jīng)網(wǎng)絡(luò)在非線性時間序列預測中的應(yīng)用 7.3前饋神經(jīng)網(wǎng)絡(luò)在圖像分割中的應(yīng)用 7.4前饋神經(jīng)網(wǎng)絡(luò)在異常檢測中的應(yīng)用 參考文獻 附錄部分前饋神經(jīng)網(wǎng)絡(luò)的Matlab源代碼 附錄1基本模型 附錄2模型選擇 附錄3改進模型 索引

章節(jié)摘錄

版權(quán)頁:   插圖:   支持向量機是基于統(tǒng)計學習理論的一種機器學習算法。由于具有很強的泛化性能,它得到了很多的關(guān)注和研究。在實際應(yīng)用中,SVM展示了比其他學習算法更為優(yōu)秀的性能。因此,SVM被廣泛地應(yīng)用于模式識別和函數(shù)回歸。SVM取得優(yōu)秀性能的主要原因是它能夠同時最小化預測誤差和模型復雜度。 傳統(tǒng)的支持向量機及其改進模型在構(gòu)造最優(yōu)分類超平面時均假定所給訓練集中樣本的所有特征均具有相同的貢獻。然而,對于一些實際數(shù)據(jù)集,一些特征含有較多的分類信息,而其他的特征具有較少的分類信息。因此,具有較多分類信息的特征在訓練最優(yōu)支持向量機時比含有較少分類信息的特征更為重要。然而,現(xiàn)有的針對特征加權(quán)的支持向量機均是直接將權(quán)重乘到所給樣本的相應(yīng)特征之上。本節(jié)將介紹一種新型的特征加權(quán)支持向量機(feature-weighted support vector machine,F(xiàn)WSVM)。這里值得一提的是,特征加權(quán)支持向量機與加權(quán)支持向量機截然不同。一方面,加權(quán)支持向量機是為訓練集中每個樣本賦予權(quán)重,而不是為樣本的每一維特征賦予一個權(quán)重;另一方面,加權(quán)支持向量機的最大貢獻是處理不平衡數(shù)據(jù)分類。 在以往的文獻中,為給定數(shù)據(jù)集的每個特征確定權(quán)重的方法有很多,下面對幾種常用的特征加權(quán)(或特征權(quán)學習)方法加以簡要介紹。給定一個數(shù)據(jù)集,特征加權(quán)方法為數(shù)據(jù)集中的每一個特征賦予一個實數(shù)值。數(shù)值越大,說明相應(yīng)的特征具有更高的重要性。在特征加權(quán)策略中,Relief被公認為最為有效的方法。Relief的主要思想是根據(jù)特征值在區(qū)分相互靠近的樣本的能力上為特征賦予權(quán)重。

編輯推薦

《前饋神經(jīng)網(wǎng)絡(luò)及其應(yīng)用》可作為應(yīng)用數(shù)學、計算機科學與技術(shù)、信息與通信工程、電氣工程、控制科學與技術(shù)等專業(yè)高年級本科生、研究生的教材或教學參考書,也可供相關(guān)領(lǐng)域的科研人員和工程技術(shù)人員閱讀參考。

圖書封面

評論、評分、閱讀與下載


    前饋神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 PDF格式下載


用戶評論 (總計0條)

 
 

 

250萬本中文圖書簡介、評論、評分,PDF格式免費下載。 第一圖書網(wǎng) 手機版

京ICP備13047387號-7