Ebook: 神经网络原理(原书第2版)

书签已装载，
书签制作方法请找 [email protected]
完全免费

封面
书名
版权
前言
目录
第1章 导言
1.1 什么是神经网络
1.2 人脑
1.3 神经元模型
1.4 看作有向图的神经网络
1.5 反馈
1.6 网络结构
1.7 知识表示
1.8 人工智能和神经网络
1.9 历史注释
注释和参考文献
习题
第2章 学习过程
2.1 简介
2.2 误差修正学习
2.3 基于记忆的学习
2.4 Hebb 学习
2.5 竞争学习
2.6 Boltzmann 学习
2.7 信任赋值问题
2.8 有教师学习
2.9 无教师学习
2.10 学习任务
2.11 记忆
2.12 自适应
2.13 学习过程的统计性质
2.14 统计学习理论
2.15 可能近似正确的学习模型
2.16 小结和讨论
注释和参考文献
习题
第3章 单层感知器
3.1 简介
3.2 自适应滤波问题
3.3 无约束最优化技术
3.4 线性最小二乘滤波器
3.5 最小均方算法
3.6 学习曲线
3.7 学习率退火进度
3.8 感知器
3.9 感知器收敛定理
3.10 Gauss 环境下感知器与 Bayes 分类器的关系
3.11 小结和讨论
注释和参考文献
习题
第4章 多层感知器
4.1 简介
4.2 预备知识
4.3 反向传播算法
4.4 反向传播算法小结
4.5 异或问题
4.6 改善反向传播算法性能的试探法
4.7 输出表示和决策规则
4.8 计算机实验
4.9 特征检测
4.10 反向传播和微分
4.11 Hessian 矩阵
4.12 泛化
4.13 函数逼近
4.14 交叉确认
4.15 网络修剪技术
4.16 反向传播学习的优点和局限
4.17 反向传播学习的加速收敛
4.18 作为最优化问题看待的有监督学习
4.19 卷积网络
4.20 小结和讨论
注释和参考文献
习题
第5章 径向基函数网络
5.1 简介
5.2 模式可分性的 Cover 定理
5.3 插值问题
5.4 作为不适定超曲面重建问题的监督学习
5.5 正则化理论
5.6 正则化网络
5.7 广义径向基函数网络
5.8 XOR 问题(再讨论)
5.9 正则化参数估计
5.10 RBF 网络的逼近性质
5.11 RBF 网络与多层感知器的比较
5.12 核回归及其与 RBF 网络的关系
5.13 学习策略
5.14 计算机实验：模式分类
5.15 小结和讨论
注释和参考文献
习题
第6章 支持向量机
6.1 简介
6.2 线性可分模式的最优超平面
6.3 不可分模式的最优超平面
6.4 怎样建立用于模式识别的支持向量机
6.5 例子：XOR 问题(再讨论)
6.6 计算机实验
6.7 ε-不敏感损失函数
6.8 用于非线性回归的支持向量机
6.9 小结和讨论
注释和参考文献
习题
第7章 委员会机器
7.1 简介
7.2 总体平均
7.3 计算机实验Ⅰ
7.4 推举
7.5 计算机实验Ⅱ
7.6 联想 Gauss 混合模型
7.7 分层混合专家模型
7.8 使用标准决策树的模型选择
7.9 先验和后验概率
7.10 最大似然估计
7.11 HME 模型的学习策略
7.12 EM 算法
7.13 EM 算法在 HME 模型中的应用
7.14 小结和讨论
注释和参考文献
习题
第8章 主分量分析
8.1 简介
8.2 自组织的一些直观原则
8.3 主分量分析
8.4 基于 Hebb 的最大特征滤波器
8.5 基于 Hebb 的主分量分析
8.6 计算机实验：图像编码
8.7 使用侧向抑制的自适应主分量分析
8.8 两类 PCA 算法
8.9 计算的集中式方法和自适应方法
8.10 核主分量分析
8.11 小结和讨论
注释和参考文献
习题
第9章 自组织映射
9.1 简介
9.2 两个基本的特征映射模型
9.3 自组织映射
9.4 SOM 算法小结
9.5 特征映射的性质
9.6 计算机仿真
9.7 学习向量量化
9.8 计算机实验：自适应模式分类
9.9 分层向量量化
9.10 上下文映射
9.11 小结和讨论
注释和参考文献
习题
第10章 信息论模型
10.1 简介
10.2 熵
10.3 最大熵原则
10.4 互信息
10.5 Kullback-Leibler 散度
10.6 互信息作为最优化的目标函数
10.7 最大互信息原则
10.8 最大互信息和冗余减少
10.9 空间相干特征
10.10 空间非相干特征
10.11 独立分量分析
10.12 计算机实验
10.13 最大似然估计
10.14 最大熵方法
10.15 小结和讨论
注释和参考文献
习题
第11章 植根于统计力学的随机机器和它们的逼近
11.1 简介
11.2 统计力学
11.3 Markov 链
11.4 Metropolis 算法
11.5 模拟退火
11.6 Gibbs 抽样
11.7 Boltzmann 机
11.8 signoid 信度网络
11.9 Helmholtz 机
11.10 平均场理论
11.11 确定性的 Boltzmann 机
11.12 确定性的 sigmoid 信度网络
11.13 确定性退火
11.14 小结和讨论
注释和参考文献
习题
第12章 神经动态规划
12.1 简介
12.2 Markov 决策过程
12.3 Bellman 最优准则
12.4 策略迭代
12.5 值迭代
12.6 神经动态规划
12.7 逼近策略迭代
12.8 Q-学习
12.9 计算机实验
12.10 小结和讨论
注释和参考文献
习题
第13章 使用前馈网络的时序处理
13.1 简介
13.2 短期记忆结构
13.3 用于时序处理的网络体系结构
13.4 集中式时滞前馈网络
13.5 计算机实验
13.6 通用短视映射定理
13.7 神经元的时空模型
13.8 分布式时滞前馈网络
13.9 时序反向传播算法
13.10 小结和讨论
注释和参考文献
习题
第14章 神经动力学
14.1 简介
14.2 动态系统
14.3 平衡状态的稳定性
14.4 吸引子
14.5 神经动态模型
14.6 作为递归网络范例的吸引子操作
14.7 Hopfield 模型
14.8 计算机实验Ⅰ
14.9 Cohen-Grossberg 定理
14.10 盒中脑状态模型
14.11 计算机实验Ⅱ
14.12 奇异吸引子和混沌
14.13 动态重构
14.14 计算机实验Ⅲ
14.15 小结和讨论
注释和参考文献
习题
第15章 动态驱动的递归网络
15.1 简介
15.2 递归网络体系结构
15.3 状态空间模型
15.4 有外部输入的非线性自回归模型
15.5 递归网络的计算能力
15.6 学习算法
15.7 通过时间的反向传播
15.8 实时递归学习
15.9 Kalman 滤波器
15.10 解藕扩展的 Kalman 滤波器
15.11 计算机实验
15.12 递归网络的消失梯度
15.13 系统辨识
15.14 模型参考自适应控制
15.15 小结和讨论
注释和参考文献
习题
后记
参考文献
索引