神經(jīng)計算原理

內(nèi)容概要

本書比較系統(tǒng)全面地介紹了人工神經(jīng)網(wǎng)絡(luò)的理論和實際應(yīng)用，特別在神經(jīng)網(wǎng)絡(luò)模型和工程應(yīng)用方面有極為深入的分析和講解。全書不僅深入分析神經(jīng)網(wǎng)絡(luò)的基本概念，而且詳細介紹神經(jīng)網(wǎng)絡(luò)應(yīng)用方面的最新發(fā)展趨勢和主要研究方向。本書理論和實際應(yīng)用緊密結(jié)合，為神經(jīng)網(wǎng)絡(luò)的相關(guān)理論知識在具體問題中的應(yīng)用打下了堅實的基礎(chǔ)。    本書適合作為高等院校計算機專業(yè)高年級本科生或研究生的教材，也可供人工智能及神經(jīng)網(wǎng)絡(luò)方面的研究人員和專業(yè)技術(shù)人員參考。

作者簡介

Fredric M.Ham 博士現(xiàn)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(yī)學工程、神經(jīng)網(wǎng)絡(luò)和控制系統(tǒng)領(lǐng)域發(fā)表了許多論文，是電氣與電子工程師協(xié)會（IEEE）的高級會員，還是Eta Kappa

書籍目錄

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第一部分　神經(jīng)計算的基本概念和部分神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)及其學習規(guī)則　第1章  神經(jīng)計算概述　　1.1  神經(jīng)計算是什么　　1.2  神經(jīng)計算的發(fā)展歷史　　1.3  神經(jīng)計算和神經(jīng)科學　　1.4  神經(jīng)網(wǎng)絡(luò)的分類　　1.5  本書指南　　參考文獻　第2章  神經(jīng)計算的基本概念　　2.1  概述　　2.2  人工神經(jīng)元的基本模型　　2.3  基本激活函數(shù)　　2.4  人工神經(jīng)元的霍普菲爾德模型　　2.5  自適應(yīng)線性單元和多重自適應(yīng)線性單元　　　2.5.1  簡單自適應(yīng)線性組合器和LMS算法　　　2.5.2  自適應(yīng)線性單元　　　2.5.3  多重自適應(yīng)線性單元　　2.6  簡單感知器　　　2.6.1  Mays感知器學習規(guī)則　　　2.6.2  具有s形激活函數(shù)的簡單感知器　　2.7  前饋多層感知器　　2.8  單個神經(jīng)元基本學習規(guī)則概述　　　2.8.1  廣義的LMS學習規(guī)則　　　2.8.2  Hebb學習　　　2.8.3  Oja學習規(guī)則　　　2.8.4  位勢學習規(guī)則　　　2.8.5  相關(guān)學習規(guī)則　　　2.8.6  標準感知器學習規(guī)則　　　2.8.7  廣義感知器學習規(guī)則　　2.9  數(shù)據(jù)預(yù)處理　　　2.9.1  規(guī)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  部分最小二乘回歸　　　2.9.6  小波和小波變換　　習題　　參考文獻　第3章  映射網(wǎng)絡(luò)　　3.1  概述　　3.2  聯(lián)想記憶網(wǎng)絡(luò)　　　3.2.1  一般的線性分布式聯(lián)想記憶　　　3.2.2  相關(guān)矩陣記憶　　　3.2.3  相關(guān)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  基于最小二乘的遞歸反向傳播算法　　　3.4.3  具有自適應(yīng)激活函數(shù)斜度的反向傳播　　　3.4.4  Levenberg—Marquardt算法　　3.5  對傳　　3.6  徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)　　　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  正交最小二乘　　習題　　參考文獻　第4章  自組織網(wǎng)絡(luò)　　4.1  概述　　4.2  Kohonen自組織映射　　4.3  學習向量的量化　　4.4  自適應(yīng)共振理論(ART)神經(jīng)網(wǎng)絡(luò)　　　4.4.1  ART1　　　4.4.2  模糊ART和模糊ARTMAP　　習題　　參考文獻　第5章  遞歸網(wǎng)絡(luò)和時間前饋網(wǎng)絡(luò)　　5.1  概述　　5.2  遞歸神經(jīng)網(wǎng)絡(luò)概述　　5.3  霍普菲爾德聯(lián)想記憶　　5.4  模擬退火　　5.5  玻爾茲曼機　　5.6  時間前饋網(wǎng)絡(luò)概述　　5.7  簡單遞歸網(wǎng)絡(luò)　　5.8  時延神經(jīng)網(wǎng)絡(luò)　　5.9  分布式時滯前饋神經(jīng)網(wǎng)絡(luò)　　習題　　參考文獻第二部分 神經(jīng)計算的應(yīng)用　第6章  用神經(jīng)網(wǎng)絡(luò)解決最優(yōu)化問題　　6.1  概述　　6.2  解決線性規(guī)劃問題的神經(jīng)網(wǎng)絡(luò)　　　6.2.1  解決LP問題標準形式的神經(jīng)網(wǎng)絡(luò)　　　6.2.2  解決LP問題非標準形式的神經(jīng)網(wǎng)絡(luò)　　6.3  解決二次規(guī)劃問題的神經(jīng)網(wǎng)絡(luò)　　6.4  解決非線性連續(xù)約束最優(yōu)化問題的神經(jīng)網(wǎng)絡(luò)　　　6.4.1  罰函數(shù)NP方法的神經(jīng)網(wǎng)絡(luò)　　　6.4.2  障礙函數(shù)NP方法的神經(jīng)網(wǎng)絡(luò)　　　6.4.3  普通拉格朗日乘子NP方法的神經(jīng)網(wǎng)絡(luò)　　　6.4.4  增廣拉格朗日乘子方法的神經(jīng)網(wǎng)絡(luò)　　習題　　參考文獻　第7章  用神經(jīng)網(wǎng)絡(luò)解決矩陣代數(shù)問題　　7.1  概述　　7.2  矩陣的逆和偽逆　　7.3  LU分解　　7.4  QR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(jīng)網(wǎng)絡(luò)方法　　7.8  奇異值分解　　7.9  求解代數(shù)李雅普諾夫方程的神經(jīng)計算方法　　7.10  求解代數(shù)里卡蒂方程的神經(jīng)計算方法　　習題　　參考文獻　第8章  使用神經(jīng)網(wǎng)絡(luò)求解線性代數(shù)方程組　　8.1  概述　　8.2  聯(lián)立線性代數(shù)方程組　　8.3  線性方程組的最小二乘解　　8.4  求解線性方程組的最小二乘神經(jīng)計算方法　　8.5  求解線性方程組的共軛梯度學習規(guī)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(tài)確定數(shù)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  總體最小二乘問題　　8.10  求解線性方程組的L范數(shù)(最小最大)神經(jīng)網(wǎng)絡(luò)　　8.11  求解線性方程的L1范數(shù)(最小絕對偏差)神經(jīng)網(wǎng)絡(luò)　　習題　　參考文獻　第9章  使用神經(jīng)網(wǎng)絡(luò)的統(tǒng)計方法　　9.1  概述　　9.2  主成分分析　　9.3  神經(jīng)網(wǎng)絡(luò)自適應(yīng)主成分估計的學習算法　　　9.3.1  第一主成分估計——Oja的正規(guī)化Hebb學習規(guī)則　　　9.3.2  多個主成分估計——對稱子空間學習規(guī)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(yīng)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 最小二乘回歸　　9.6　部分 最小二乘回歸的神經(jīng)網(wǎng)絡(luò)方法　　9.7　魯棒PLSR：一種神經(jīng)網(wǎng)絡(luò)方法　　習題　　參考文獻　第10章　使用神經(jīng)網(wǎng)絡(luò)進行辨識、控制和估計　　10.1　概述　　10.2　線性系統(tǒng)的表示法　　lO.3　自回歸滑動平均模型　　10.4　用ARMA模型的線性系統(tǒng)辨識　　10.5　應(yīng)用PLSNET進行線性系統(tǒng)的參數(shù)系統(tǒng)辨識　　10.6　非線性系統(tǒng)的表示法　　　10.6.1　非線性輸入一狀態(tài)一輸出表示法　　　10.6.2　非線性ARMA　　10.7　非線性動態(tài)系統(tǒng)的辨識和控制　　　10.7.1　非線性系統(tǒng)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(jīng)網(wǎng)絡(luò)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(shù)據(jù)估計葡萄糖濃度　　　10.10.2　使用次聲數(shù)據(jù)進行事件分類　　習題　　參考文獻附錄A　神經(jīng)計算的數(shù)學基礎(chǔ)　A.1　引言　A.2　線性代數(shù)　　A.2.1　域和向量空間　　A.2.2　矩陣的表示和運算　　A.2.3　內(nèi)積和外積　　A.2.4　向量的線性無關(guān)　　A.2.5　矩陣的秩和線性無關(guān)　　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(tài)系統(tǒng)的狀態(tài)空間描述　　A.2.13　向量和矩陣的范數(shù)　　A.2.14　奇異值分解　　A.2.15　矩陣條件數(shù)　　A.2.16　分塊矩陣運算　　A.2.17　克羅內(nèi)克積與和　　A.2.18　實數(shù)和復(fù)數(shù)方陣的重要性質(zhì)小結(jié)　　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(shù)　　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(shù)展開式　A.4　李雅普諾夫直接法　A.5　無約束最優(yōu)化方法　　A.5.1　極值的充分必要條件　　A.5.2　最速下降法　　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(guī)劃　　A.6.1　庫恩一塔克條件　　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(shù)　　A.7.3　概率密度函數(shù)　　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　功率譜密度函數(shù)和功率譜密度矩陣　　A.7.8　白噪聲驅(qū)動的線性系統(tǒng)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

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    神經(jīng)計算原理 PDF格式下載

---