亚洲精品国产自在久久,久久无码一级午夜福利免费区

內(nèi)容簡介

　　本書較系統(tǒng)全而地討論了人工神經(jīng)網(wǎng)絡與模擬進化計算的理論和工程應用。特別在學習理論與網(wǎng)絡結構選擇、動態(tài)神經(jīng)網(wǎng)絡、自組織網(wǎng)絡、貝葉斯方法的應用以及模擬進化計算中的一些理論問題等方而的論述更為系統(tǒng)深入。編寫中結合了編者多年為研究生講授這方面課程的教學經(jīng)驗和一些科研成果，同時參考了國內(nèi)外有關書籍和教材的大量最新文獻資料。內(nèi)容深入淺出，并盡量反映這一領域的最新進展和發(fā)展方向；書中附有習題和豐富的參考文獻，便于自學。本書適合作為研究生課程的教材，或作為希望深入學刁神經(jīng)網(wǎng)絡和進化計算的科技工作者的自學參考書。

作者簡介

暫缺《人工神經(jīng)網(wǎng)絡與模擬化計算》作者簡介

圖書目錄

第1章  緒論
     1. 1  神經(jīng)網(wǎng)絡的發(fā)展與應用
     1. 2  人工神經(jīng)元模型
     1. 3  用有向圖表示神經(jīng)網(wǎng)絡
     1. 4  網(wǎng)絡結構及工作方式
     1. 5  NN的學習
     1. 5. 1  學習方式
     1. 5. 2  學習算法
     1. 5. 3  學習與自適應
     習題
     參考文獻
     第2章  前饋網(wǎng)絡
     2. 1  線性閡值單元
     2. 1. 1  用線性閾值單元實現(xiàn)布爾函數(shù)
     2. 1. 2  線性可分性
     2. 1. 3  n維歐氏空間中m個點上可實現(xiàn)的線性可分函數(shù)的個數(shù)
     2. 2  多層前饋網(wǎng)絡的計算能力及函數(shù)逼近
     2. 3  感知器學習算法
     2. 4  反向傳播學習算法
     2. 5  改進反向傳播算法收斂速度的措施
     2. 5. 1  加入動量項
     2. 5. 2  高階導數(shù)的利用
     2. 5. 3  共輛梯度法
     2. 5. 4  遞推最小二乘法
     2. 5. 5  神經(jīng)元空間搜索法
     2. 5. 6  一些其他措施
     2. 6  多層前饋網(wǎng)絡作用的分析
     2. 6. 1  線性網(wǎng)絡
     2. 6. 2  非線性情況
     2. 7  應用舉例——手寫體數(shù)字識別
     習題
     參考文獻
      第3章  徑向基函數(shù)網(wǎng)絡
     3. 1  4可分性
     3. 2  函數(shù)逼近與內(nèi)插
     3. 3  正規(guī)化理論
     3. 4  RBF網(wǎng)絡的學習
     3. 5  RBF網(wǎng)絡的一些變形
     3. 6  CMAC網(wǎng)絡
     3. 6. 1  模型結構
     3. 6. 2  工作原理分析
     3. 6. 3  學習算法
     3. 7  概率神經(jīng)網(wǎng)絡
     3. 8  小波網(wǎng)絡
     3. 9  泛函連接網(wǎng)絡
     參考文獻
     第4章  學習理論與網(wǎng)絡結構選擇
     4. 1  學習的統(tǒng)計性能
     4. 1. 1  經(jīng)驗風險最小化原則
     4. 1. 2  VC維數(shù)
     4. 1. 3  一致收斂的速度
     4. 1. 4  結構風險最小化
     4. 2  學習的復雜性問題
     4. 2. 1  PAC學習的模型
     4. 2. 2  PAC學習的例子
     4. 2. 3  PAC學習模型的一些擴展
     4. 2. 4  多層前饋網(wǎng)絡的樣本數(shù)問題
     4. 2. 5  學習的計算復雜性
     4. 3  學習的動態(tài)特性
     4. 3. 1  通用學習方程
     4. 3. 2  LMS規(guī)則
     4. 3. 3  Hebb規(guī)則
     4. 3. 4  Oja學習規(guī)則
     4. 4  推廣問題
     4. 4. 1  定性分祈
     4. 4. 2  平均推廣能力
     4. 4. 3  從數(shù)學上研究一般的推廣問題
     4. 4. 4  樣本量問題
     4. 1. 5    推廣誤差的實驗估計
     4. 5  預測學習
     4. 5. 1  模型
     4. 5. 2  根本困難
     4. 5. 3  維數(shù)災難問題
     4. 5. 4  方差與偏置折衷
     4. 6  網(wǎng)絡模型選擇
     4. 6. 1  定性分析
     4. 6. 2  正規(guī)化方法
     4. 6. 3  修剪與網(wǎng)絡構造法
     4. 7  將號學習與神經(jīng)網(wǎng)絡結合
     4. 8  支承向量機
     4. 9  新一代神經(jīng)元模型及其計算能力的研究
     4. 9. 1  布爾函數(shù)的計算
     4. 9. 2  連續(xù)輸入的情況
     4. 9. 3  脈沖鍋合神經(jīng)元
     習題
     參考文獻
     第5章  反饋網(wǎng)絡與聯(lián)想存儲器
     5. 1  聯(lián)想存儲器
     5. 2  反饋網(wǎng)絡
     5. 2. 1  離散Hopfield網(wǎng)絡
     5. 2. 2  連續(xù)Hopfield網(wǎng)絡
     5. 3  用反饋網(wǎng)絡作聯(lián)想存儲器
     5. 4  相關學習算法
     5. 5  容量分析
     5. 6  偽逆學習算法
     5. 7  基于線性可分性的學習算法
     5. 8  Li與Miche1的設計方法
     5. 9  線性規(guī)劃方法
     5. 10  多余吸引子問題
     5. 11  雙向聯(lián)想存儲器
     5. 12  玻耳茲曼饑
     5. l2. 1  隨機神經(jīng)元
     5. 12. 2  模擬退火算法
     5. 12. 3  玻耳茲曼機
     5. 12. 4  玻耳茲曼機的學習
     5. 12. 5  平均場學習規(guī)則
      參考文獻
     第6章  神經(jīng)網(wǎng)絡用于優(yōu)化計算
     6. 1  概述
     6. 2  連續(xù)Hopfield網(wǎng)絡用于求解優(yōu)化問題
     6. 3  CHNN用于優(yōu)化計算時存在的問題
     6. 4  神經(jīng)網(wǎng)絡用于求解貨流問題
     6. 5  用于解數(shù)學規(guī)劃的電路舉例
     6. 6  在通信網(wǎng)絡中的應用舉例
     習題
     參考文獻
     第7章  自組織系統(tǒng)(I)一一Hebb學習
     7. 1  引言
     7. 2  自組織特征檢測——一個簡單的實驗
     7. 3  主成分分析
     7. 4  單個神經(jīng)元抽取最大主分量
     7. 5  單層網(wǎng)絡朋于抽取一組主分量
     7. 6  有側向連接的自適應PCA
     7. 7  最小均方誤差重建學習
     7. 8  次分量的提取和應用
     7. 8. 1  最優(yōu)擬合問題
     7. 8. 2  用單個神經(jīng)元實現(xiàn)
     7. 9  PCA算法的進一步擴展
     7. 9. 1  非線性PCA
     7. 9. 2  魯棒PCA算法
     7. 10  用于特征拙取的網(wǎng)絡
     7. 10. 1  正態(tài)分布的數(shù)據(jù)
     7. 10. 2  類內(nèi). 類間距離的計算
     7. 10. 3  Bhattacharya距離
     7. 11  獨立成分分析
     7. 11, 1  IC與肓源分離
     7. 11. 2  高階累積量
     7. 11. 3  基于信息的判據(jù)
     參考文獻
     第8章  自組織系統(tǒng)(II)—一  競爭學習
     8. 1  Hamming網(wǎng)絡與WTA網(wǎng)絡
     8. 2    自組織特征映射
     8. 3  等效的SOFM算法
     8. 4  向量量化
     8. 5  廣義向設量化
     8. 6  討論
     8. 7  應用舉例——指紋識別
     8. 8  自適應共振理論
     8. 3. 1  ART的基本原理
     8. 8. 2  ART作為分類器時的學習算法
     習題
     參考文獻
     第9章  自組織系統(tǒng)(III)——基于信息論的模型
     9. 1  信息論簡介
     9. 2  最大信息保持原則
     9. 2. 1  單個神經(jīng)元受噪聲干擾
     9. 2. 2  輸入受加性噪聲干擾
     9. 2. 3  更復雜些的情況
     9. 3  拓撲有序映射的產(chǎn)生
     9. 4  基于最大熵原則的拓撲映射
     參考文獻
     第10章  動態(tài)信號與系統(tǒng)的處理
     10. 1  延時單元網(wǎng)絡
     10. 2  時空神經(jīng)元模型
     10. 2. 1  模型
     10. 2. 2  FIR網(wǎng)絡的學習算法
     10. 3  部分反饋網(wǎng)絡
     10. 4  有反饋網(wǎng)絡的學習算法
     10. 4. 1  隨時間演化的反向傳播算法
     10. 4. 2  實時遞歸學習
     10. 5  應用舉例
     10. 6  討淪
     l0. 7  再勵學習的主要算法
     10. 7. 1  時間差分法
     10. 7. 2  RL的主要算法
     10. 8  再勵學習在控制中的應用舉例
     習題
     參考文獻
     第11章  神經(jīng)網(wǎng)絡中的動力學問題
     11. 1  運動穩(wěn)定性的基本知識
     11. 1. 1  運動微分方程
     11. 1. 2  平衡狀態(tài)及其穩(wěn)定性
     11. 1. 3  定性方法, 系統(tǒng)的分類
     11. 1. 4  Liapunov定理
     11. 1. 5  吸引子
     11. 2  反饋網(wǎng)絡的基本模型及其穩(wěn)定性
     11. 2. 1  基本模型
     11. 2. 2  穩(wěn)定性分析
     11. 2. 3  離散模型
     11. 2. 4  離散時間連續(xù)狀態(tài)模型
     11. 3  遞歸反傳算法
     11. 4  混沈神經(jīng)網(wǎng)絡的初步介紹
     11. 4. 1  一個簡單的非線性映射
     11. 4. 2  混沌神經(jīng)元模型
     11. 4. 3  用混沌神經(jīng)網(wǎng)絡作聯(lián)想記憶
     參考文獻
     第12章  模塊化神經(jīng)網(wǎng)絡
     12. 1  引言
     12. 2  混合專家網(wǎng)絡
     12. 3  分層混合專家網(wǎng)絡
     l2. 3. 1  工作原理
     l2. 3. 2  EM算法概述
     12. 3. 3  EM算法用于HME
     12. 3. 4  IRLS算法
     12. 3. 5  EM算法的步驟
     12. 4  應用舉例
     參考文獻
     第13章  誤差函數(shù)與參數(shù)優(yōu)化方法
     13. 1  誤差平方和
     13. 1. 1  網(wǎng)絡輸出的含義
     13. 1. 2  更一般的條件分布的建模
     13. 2  后驗概率估計
     l3. 2. 1  誤差平方和準則
     l3. 2. 2  隱單元的作用
     13. 2. 3  R范數(shù)誤差