前饋神經(jīng)網(wǎng)絡(luò)工作機(jī)理分析與學(xué)習(xí)算法

內(nèi)容概要

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANN)是一個(gè)高復(fù)雜度的非線性系統(tǒng)，雖然從形式上模擬了人腦的學(xué)習(xí)結(jié)構(gòu)，但由于所依賴的生物學(xué)理論基礎(chǔ)尚不完善，因此人工神經(jīng)網(wǎng)絡(luò)不僅功能上遠(yuǎn)遠(yuǎn)沒有達(dá)到預(yù)期的接近于人腦學(xué)習(xí)能力的目標(biāo)，而且對(duì)于現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型的工作機(jī)理也不明確，使神經(jīng)網(wǎng)絡(luò)模型的研究和性能的改進(jìn)也就變得越來越困難，應(yīng)用領(lǐng)域也受到一定的影響。    我們的研究以構(gòu)建更有效的人工神經(jīng)網(wǎng)絡(luò)模型為目的，以神經(jīng)網(wǎng)絡(luò)的工作機(jī)理分析為基本出發(fā)點(diǎn)，采用非參數(shù)化的決策樹(Decision Tree)與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)結(jié)合的方法，研究神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)方法，并進(jìn)一步探討了人工神經(jīng)網(wǎng)絡(luò)的增量學(xué)習(xí)算法。

書籍目錄

摘要ABSTRACT第一章 概述  第一節(jié) 神經(jīng)網(wǎng)絡(luò)的產(chǎn)生與發(fā)展    一、神經(jīng)網(wǎng)絡(luò)的產(chǎn)生    二、神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史  第二節(jié) 神經(jīng)網(wǎng)絡(luò)研究?jī)?nèi)容    一、神經(jīng)網(wǎng)絡(luò)的研究?jī)?nèi)容    二、神經(jīng)網(wǎng)絡(luò)目前的研究熱點(diǎn)和未來發(fā)展  第三節(jié) 本項(xiàng)研究的目的、意義和主要內(nèi)容    一、本項(xiàng)研究的目的和意義    二、本項(xiàng)研究的主要內(nèi)容  第四節(jié) 本書的組織安排第二章 前饋神經(jīng)網(wǎng)絡(luò)的工作機(jī)理分析  第一節(jié) 引言  第二節(jié) 高維空間幾何理論基礎(chǔ)    一、基本概念    二、常用定理  第三節(jié) 神經(jīng)網(wǎng)絡(luò)的幾何解釋    一、神經(jīng)元的幾何意義    二、神經(jīng)網(wǎng)絡(luò)的高維空間幾何意義  第四節(jié) 分類決策樹與前饋網(wǎng)絡(luò)的等價(jià)性    一、決策樹    二、決策樹的插值表示    三、前饋網(wǎng)絡(luò)與決策樹的等價(jià)性  第五節(jié) 分類前饋網(wǎng)絡(luò)的決策樹分析    一、前饋網(wǎng)絡(luò)物理意義的決策樹分析    二、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和工作過程中常見問題的分析  第六節(jié) 小結(jié)第三章 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的信息論方法  第一節(jié) 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)    一、探索法    二、動(dòng)態(tài)修改網(wǎng)絡(luò)法    三、與符號(hào)系統(tǒng)相結(jié)合的結(jié)構(gòu)設(shè)計(jì)方法  第二節(jié) 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的信息最大化    一、信息與熵    二、條件熵與互信息    三、神經(jīng)網(wǎng)絡(luò)中的信息理論    四、基于信息最大化的網(wǎng)絡(luò)修剪  第三節(jié) 離散數(shù)據(jù)屬性分類問題的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)    一、前饋網(wǎng)絡(luò)與決策樹    二、熵網(wǎng)絡(luò)    三、基于決策樹的神經(jīng)網(wǎng)絡(luò)構(gòu)造方法DTBNN    四、實(shí)驗(yàn)分析與結(jié)論  第四節(jié) 基于熵準(zhǔn)則的神經(jīng)網(wǎng)絡(luò)構(gòu)造方法    一、簡(jiǎn)介    二、神經(jīng)元選擇的“熵”準(zhǔn)則    三、基于熵準(zhǔn)則的神經(jīng)網(wǎng)絡(luò)構(gòu)造過程    四、多類問題的擴(kuò)展    五、EBNN算法的主要性質(zhì)    六、實(shí)驗(yàn)及結(jié)果分析  第五節(jié) 小結(jié)第四章 基于集成系統(tǒng)的前饋網(wǎng)絡(luò)增量學(xué)習(xí)  第一節(jié) 增量學(xué)習(xí)算法簡(jiǎn)介    一、增量學(xué)習(xí)的定義    二、神經(jīng)網(wǎng)絡(luò)增量學(xué)習(xí)  第二節(jié) 基于集成的增量學(xué)習(xí)    一、神經(jīng)網(wǎng)絡(luò)集成    二、AdaBoost的漸進(jìn)學(xué)習(xí)能力    三、LEARN++增量學(xué)習(xí)算法    四、EBILNNt曾量學(xué)習(xí)  第三節(jié) 實(shí)驗(yàn)分析    一、人工實(shí)驗(yàn)數(shù)據(jù)的增量學(xué)習(xí)結(jié)果分析    二、Glass分類數(shù)據(jù)的增量學(xué)習(xí)性能  第四節(jié) 小結(jié)第五章 研究工作總結(jié)與展望  第一節(jié) 研究工作的總結(jié)    一、前饋網(wǎng)絡(luò)的工作機(jī)理分析    二、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的信息論方法    三、基于集成系統(tǒng)的神經(jīng)網(wǎng)絡(luò)增量學(xué)習(xí)  第二節(jié) 神經(jīng)網(wǎng)絡(luò)技術(shù)的前景和進(jìn)一步的研究工作參考文獻(xiàn)

編輯推薦

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANN)是一個(gè)高復(fù)雜度的非線性系統(tǒng)，雖然從形式上模擬了人腦的學(xué)習(xí)結(jié)構(gòu)，但由于所依賴的生物學(xué)理論基礎(chǔ)尚不完善，因此人工神經(jīng)網(wǎng)絡(luò)不僅功能上遠(yuǎn)遠(yuǎn)沒有達(dá)到預(yù)期的接近于人腦學(xué)習(xí)能力的目標(biāo)，而且對(duì)于現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型的工作機(jī)理也不明確，使神經(jīng)網(wǎng)絡(luò)模型的研究和性能的改進(jìn)也就變得越來越困難，應(yīng)用領(lǐng)域也受到一定的影響。    我們的研究以構(gòu)建更有效的人工神經(jīng)網(wǎng)絡(luò)模型為目的，以神經(jīng)網(wǎng)絡(luò)的工作機(jī)理分析為基本出發(fā)點(diǎn)，采用非參數(shù)化的決策樹(Decision Tree)與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)結(jié)合的方法，研究神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)方法，并進(jìn)一步探討了人工神經(jīng)網(wǎng)絡(luò)的增量學(xué)習(xí)算法。

圖書封面

評(píng)論、評(píng)分、閱讀與下載

---

    前饋神經(jīng)網(wǎng)絡(luò)工作機(jī)理分析與學(xué)習(xí)算法 PDF格式下載

---