神經(jīng)網(wǎng)絡原理（原書第2版）

出版者的話
專家指導委員會
譯者序
前言
縮寫和符號
第1章 導言
1.1 什么是神經(jīng)網(wǎng)絡
1.2 人腦
1.3 神經(jīng)元模型
1.4 看作有向圖的神經(jīng)網(wǎng)絡
1.5 反饋
1.6 網(wǎng)絡結(jié)構(gòu)
1.7 知識表示
1.8 人工智能和神經(jīng)網(wǎng)絡
1.9 歷史注釋
注釋和參考文獻
習題
第2章 學習過程
2.1 簡介
2.2 誤差修正學習
2.3 基于記憶的學習
2.4 Hebb學習
2.5 競爭學習
2.6 Boltamann學習
2.7 信任賦值問題
2.8 有教師學習
2.9 無教學學習
2.10 學習任務
2.11 記憶
2.12 自適應
2.13 學習過程的統(tǒng)計性質(zhì)
2.14 統(tǒng)計學習理論
2.15 可能近似正確的學習模型
2.16 小結(jié)和討論
注釋的參考文獻
習題
第3章 單層感知器
3.1 簡介
3.2 自適應濾波問題
3.3 無約束最優(yōu)化技術(shù)
3.4 線性最小二乘濾波器
3.5 最小均方算法
3.6 學習曲線
3.7 學習率退火進度
3.8 感知器
3.9 感知器收斂定理
3.10 Gauss環(huán)境下感知器與Bayes分類器的關(guān)系
3.11 小結(jié)和討論
注釋和參考文獻
習題
第4章 多層感知器
4.1 簡介
4.2 預備知識
4.3 反向傳播算法
4.4 反向傳播算法小結(jié)
4.5 異或問題
4.6 改善反身傳播算法性能的試探法
4.7 輸出表示和決策規(guī)則
4.8 計算機實驗
4.9 特征檢測
4.10 反向傳播和微分
4.11 Hessian矩陣
4.12 泛化
4.13 函數(shù)逼近
4.14 交叉確認
4.15 網(wǎng)絡修剪技術(shù)
4.16 反向傳播學習的優(yōu)點和局限
4.17 反向傳播學習的加速收斂
4.18 作為最優(yōu)化問題看待的有監(jiān)督學習
4.19 卷積網(wǎng)絡
4.20 小結(jié)和討論
注釋和參考文獻
習題
第5章 徑向基函數(shù)網(wǎng)絡
5.1 簡介
5.2 模式可分性的Cover定理
5.3 插值問題
5.4 作為不適定超曲面重建問題的監(jiān)督學習
5.5 正則化理論
5.6 正則化網(wǎng)絡
5.7 廣義徑向基函數(shù)網(wǎng)絡
5.8 XOR問題(再討論)
5.9 正則化參數(shù)估計
5.10 RBF網(wǎng)絡的逼近性質(zhì)
5.11 RBF網(wǎng)絡與多層感知器的比較
5.12 核回歸及其與RBF網(wǎng)絡的關(guān)系
5.13 學習策略
5.14 計算機實驗:模式分類
5.15 小結(jié)和討論
注釋和參考文獻
習題
第6章 支持向量機
6.1 簡介
6.2 線性可分模式的最優(yōu)超平面
6.3 不可分模式的最優(yōu)超平面
6.4 怎樣建立用于模式識別的支持向量機
6.5 例子: XOR問題(再討論)
6.6 計算機實驗
6.7 ε-不敏感損失函數(shù)
6.8 用于非線性回歸的支持向量機
6.9 小結(jié)和討論
注釋和參考文獻
習題
第7章 委員會機器
7.1 簡介
7.2 總體平均
7.3 計算機實驗I
7.4 推舉
7.5 計算機實驗II
7.6 聯(lián)想Gauss混合模型
7.7 分層混合專家模型
7.8 使用標準決策樹的模型選擇
7.9 先驗和后驗概率
7.10 最大似然估計
7.11 HME模型的學習策略
7.12 EM算法
7.13 EM算法在HME模型中的應用
7.14 小結(jié)和討論
注釋和參考文獻
習題
第8章 主分量分析
8.1 簡介
8.2 自組織的一些直觀原則
8.3 主分量分析
8.4 基于Hebb的最大特征濾波器
8.5 基于Hebb的主分量分析
8.6 計算機實驗: 圖像編碼
8.7 使用側(cè)向抑制的自適應主分量分析
8.8 兩類PCA算法
8.9 計算的集中式方法和自適應方法
8.10 核主分量分析
8.11 小結(jié)和討論
注釋和參考文獻
習題
第9章 自組織映射
9.1 簡介
9.2 兩個基本的特征映射模型
9.3 自組織映射
9.4 SOM算法小結(jié)
9.5 特征映射的性質(zhì)
9.6 計算機仿真
9.7 學習向量量化
9.8 計算機實驗: 自適應模式分類
9.9 分層向量量化
9.10 上下文映射
9.11 小結(jié)和討論
注釋和參考文獻
習題
第10章 信息論模型
10.1 簡介
10.2 熵
10.3 最大熵原則
10.4 互信息
10.5 Kullback-Leibler散度
10.6 互信息作為最優(yōu)化的目標函數(shù)
10.7 最大互信息原則
10.8 最大互信息和冗余減少
10.9 空間相干特征
10.10 空間非相干特征
10.11 獨立分量分析
10.12 計算機實驗
10.13 最大似然估計
10.14 最大熵方法
10.15 小結(jié)和討論
注釋和參考文獻
習題
第11章 植根于統(tǒng)計力學的隨機機器和它們的逼近
11.1 簡介
11.2 統(tǒng)計力學
11.3 Markov鏈
11.4 Metropolis算法
11.5 模擬退火
11.6 Gibbs抽樣
11.7 Boltzmann機
11.8 sigmoid信度網(wǎng)絡
11.9 Helmholtz機
11.10 平均場理論
11.11 確定性的Boltzmann機
11.12 確定性的sigmoid信度網(wǎng)絡
11.13 確定性退火
11.14 小結(jié)和討論
注釋和參考文獻
習題
第12章 神經(jīng)動態(tài)規(guī)劃
12.1 簡介
12.2 Markov決策過程
12.3 Bellman最優(yōu)準則
12.4 策略迭代
12.5 值迭代
12.6 神經(jīng)動態(tài)規(guī)劃
12.7 逼近策略迭代
12.8 Q-學習
12.9 計算機實驗
12.10 小結(jié)和討論
注釋和參考文獻
習題
第13章 使用前饋網(wǎng)絡的時序處理
13.1 簡介
13.2 短期記憶結(jié)構(gòu)
13.3 用于時序處理的網(wǎng)絡體系結(jié)構(gòu)
13.4 集中式時滯前饋網(wǎng)絡
13.5 計算機實驗
13.6 通用短視映射定理
13.7 神經(jīng)元的時空模型
13.8 分布式時滯前饋網(wǎng)絡
13.9 時序反向傳播算法
13.10 小結(jié)和討論
注釋和參考文獻
習題
第14章 神經(jīng)動力學
14.1 簡介
14.2 動態(tài)系統(tǒng)
14.3 平衡狀態(tài)的穩(wěn)定性
14.4 吸引子
14.5 神經(jīng)動態(tài)模型
14.6 作為遞歸網(wǎng)絡范例的吸引子操作
14.7 Hopfield模型
14.8 計算機實驗I
14.9 Cohen-Grossberg定理
14.10 盒中腦狀態(tài)模型
14.11 計算機實驗II
14.12 奇異吸引子和混沌
14.13 動態(tài)重構(gòu)
14.14 計算機實驗III
14.15 小結(jié)和討論
注釋和參考文獻
習題
第15章 動態(tài)驅(qū)動的遞歸網(wǎng)絡
15.1 簡介
15.2 遞歸網(wǎng)絡體系結(jié)構(gòu)
15.3 狀態(tài)空間模型
15.4 有外部輸入的非線性自回歸模型
15.5 遞歸網(wǎng)絡的計算能力
15.6 學習算法
15.7 通過時間的反向傳播
15.8 實時遞歸學習
15.9 Kalman濾波器
15.10 解藕擴展的Kalman濾波器
15.11 計算機實驗
15.12 遞歸網(wǎng)絡的消失梯度
15.13 系統(tǒng)辨識
15.14 模型參考自適應控制
15.15 小結(jié)和討論
注釋和參考文獻
習題
后記
參考文獻
索引