人工神經網絡理論及應用
定 價：¥39.8
中 教 價：¥30.65 (7.70折）
庫 存 數： 0
叢 書 名：普通高等教育 電氣工程 自動化 系列規劃教材
該書系統地論述了人工神經網絡的主要理論、設計基礎及應用實例，旨在使讀者理解和熟悉神經網絡的基本原理和主要應用，掌握它的結構和設計應用方法，為深入研究和應用開發打下基礎。為了便于讀者理解，書中盡量避免煩瑣的數學推導，加強了應用舉例，并在內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，也注意引入目前神經網絡研究領域的前沿知識如深度網絡等。為便于讀者能將理論轉化為應用，在主要章節的后都給出了MATLAB的應用例子，并對程序和結果進行了詳細的講解。
前言 第１ 章 緒論 １ １. １ 人工神經網絡概述 １ １. １. １ 人腦與計算機信息處理能力的 比較 ２ １. １. ２ 人腦與計算機信息處理機制的 比較 ３ １. １. ３ 什么是人工神經網絡 ４ １. ２ 人工神經網絡發展簡史 ５ １. ２. １ 啟蒙時期 ５ １. ２. ２ 低潮時期 ７ １. ２. ３ 復興時期 ８ １. ２. ４ 新時期 ９ １. ２. ５ 海量數據時代 １２ １. ２. ６ 國內研究概況 １２ １. ３ 神經網絡的基本特征與功能 １３ １. ３. １ 神經網絡的基本特點 １３ １. ３. ２ 神經網絡的基本功能 １３ １. ４ 神經網絡的應用領域 １５ １. ４ １ 信息處理領域 １５ １. ４. ２ 自動化領域 １６ １. ４. ３ 工程領域 １６ １. ４. ４ 醫學領域 １７ １. ４. ５ 經濟領域 １７ 本章小結 １８ 習題 １９ 第２ 章 人工神經網絡建模基礎 ２０ ２. １ 腦的生物神經系統概述 ２０ ２. １. １ 人體神經系統的構成 ２０ ２. １. ２ 高級中樞神經系統的功能 ２１ ２. １. ３ 腦組織的分層結構 ２２ ２. ２ 生物神經網絡基礎 ２３ ２. ２. １ 生物神經元的結構 ２３ ２. ２. ２ 生物神經元的信息處理機理 ２４ ２. ３ 人工神經元模型 ２６ ２. ３. １ 神經元的建模 ２６ ２. ３. ２ 神經元的數學模型 ２７ ２. ３. ３ 神經元的變換函數 ２８ ２. ４ 人工神經網絡模型 ３０ ２. ４. １ 網絡拓撲結構類型 ３０ ２. ４. ２ 網絡信息流向類型 ３１ ２. ５ 神經網絡學習 ３２ ２. ５. １ Ｈｅｂｂｉａｎ 學習規則 ３４ ２. ５. ２ 離散感知器學習規則 ３５ ２. ５. ３ 連續感知器學習規則 ３６ ２. ５. ４ 最小方均學習規則 ３７ ２. ５. ５ 相關學習規則 ３８ ２. ５. ６ 勝者為王學習規則 ３８ ２. ５. ７ 外星學習規則 ３８ 本章小結 ４０ 習題 ４０ 第３ 章 感知器神經網絡 ４２ ３. １ 單層感知器 ４２ ３. １. １ 感知器模型 ４２ ３. １. ２ 感知器的功能 ４３ ３. １. ３ 感知器的局限性 ４５ ３. １. ４ 感知器的學習算法 ４５ ３. ２ 多層感知器 ４７ ３. ３ 自適應線性單元簡介 ４９ ３. ３. １ ＡＤＡＬＩＮＥ 模型 ４９ ３. ３. ２ ＡＤＡＬＩＮＥ 學習算法 ４９ ３. ３. ３ ＡＤＡＬＩＮＥ 應用 ５１ ３. ４ 誤差反傳算法 ５１ Ⅵ ３. ４. １ 基于ＢＰ 算法的多層感知器 模型 ５２ ３. ４. ２ ＢＰ 學習算法 ５３ ３. ４. ３ ＢＰ 算法的程序實現 ５６ ３. ４. ４ 多層感知器的主要能力 ５７ ３. ４. ５ 誤差曲面與ＢＰ 算法的局限性 ５８ ３. ５ 標準ＢＰ 算法的改進 ５９ ３. ５. １ 增加動量項 ５９ ３. ５. ２ 自適應調節學習率 ５９ ３. ５. ３ 引入陡度因子 ６０ ３. ６ 基于ＢＰ 算法的多層感知器設計 基礎 ６０ ３. ６. １ 網絡信息容量與訓練樣本數 ６０ ３. ６. ２ 訓練樣本集的準備 ６１ ３. ６. ３ 初始權值的設計 ６４ ３. ６. ４ 多層感知器結構設計 ６５ ３. ６. ５ 網絡訓練與測試 ６６ ３. ７ 基于ＢＰ 算法的多層感知器應用與設計 實例 ６７ ３. ７. １ 基于ＢＰ 算法的多層感知器用于 催化劑配方建模 ６７ ３. ７. ２ 基于ＢＰ 算法的多層感知器用于 汽車變速器最佳擋位判定 ６８ ３. ７. ３ 基于ＢＰ 算法的多層感知器用于 圖像壓縮編碼 ６９ ３. ７. ４ 基于ＢＰ 算法的多層感知器用于 水庫優化調度 ６９ ３. ８ 基于ＭＡＴＬＡＢ 的ＢＰ 網絡應用實例 ７０ ３. ８. １ ＢＰ 網絡用于數據擬合 ７０ ３. ８. ２ ＢＰ 網絡用于鳶尾花分類問題 ７２ 擴展資料 ７６ 本章小結 ７７ 習題 ７７ 第４ 章 自組織競爭神經網絡 ８０ ４. １ 競爭學習的概念與原理 ８０ ４. １. １ 基本概念 ８０ ４. １. ２ 競爭學習原理 ８２ ４. ２ 自組織特征映射神經網絡 ８４ ４. ２. １ ＳＯＦＭ 網的生物學基礎 ８５ ４. ２. ２ ＳＯＦＭ 網的拓撲結構與權值 調整域 ８５ ４. ２. ３ 自組織特征映射網的運行原理與 學習算法 ８６ ４. ２. ４ ＳＯＦＭ 網的設計基礎 ９０ ４. ２. ５ 應用與設計實例 ９２ ４. ３ 學習向量量化神經網絡 ９５ ４. ３. １ 向量量化 ９５ ４. ３. ２ ＬＶＱ 網絡結構與工作原理 ９６ ４. ３. ３ ＬＶＱ 網絡的學習算法 ９７ ４. ４ 對偶傳播神經網絡 ９８ ４. ４. １ 網絡結構與運行原理 ９８ ４. ４. ２ ＣＰＮ 的學習算法 ９９ ４. ４. ３ 改進的ＣＰＮ 網 １００
新書資訊 新書推薦