人工神經(jīng)網(wǎng)絡(luò)與模擬化計算

定　價：￥36.00

作　者：	閻平凡張長水
出版社：	清華大學出版社
叢編項：	信息技術(shù)叢書
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥30.60)

ISBN：	9787302039778	出版時間：	2000-11-01	包裝：
開本：	787*1092 1/16	頁數(shù)：	456	字數(shù)：

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(luò)與模擬進化計算的理論和工程應(yīng)用。特別在學習理論與網(wǎng)絡(luò)結(jié)構(gòu)選擇、動態(tài)神經(jīng)網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)、貝葉斯方法的應(yīng)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(jié)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(guān)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(lǐng)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(luò)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(luò)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(luò)的發(fā)展與應(yīng)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(luò)
     1. 4  網(wǎng)絡(luò)結(jié)構(gòu)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(yīng)
     習題
     參考文獻
     第2章  前饋網(wǎng)絡(luò)
     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(luò)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(luò)作用的分析
     2. 6. 1  線性網(wǎng)絡(luò)
     2. 6. 2  非線性情況
     2. 7  應(yīng)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(luò)
     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(luò)的學習
     3. 5  RBF網(wǎng)絡(luò)的一些變形
     3. 6  CMAC網(wǎng)絡(luò)
     3. 6. 1  模型結(jié)構(gòu)
     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(luò)
     3. 8  小波網(wǎng)絡(luò)
     3. 9  泛函連接網(wǎng)絡(luò)
     參考文獻
     第4章  學習理論與網(wǎng)絡(luò)結(jié)構(gòu)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(jié)構(gòu)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(luò)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(zāi)難問題
     4. 5. 4  方差與偏置折衷
     4. 6  網(wǎng)絡(luò)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(luò)構(gòu)造法
     4. 7  將號學習與神經(jīng)網(wǎng)絡(luò)結(jié)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(luò)與聯(lián)想存儲器
     5. 1  聯(lián)想存儲器
     5. 2  反饋網(wǎng)絡(luò)
     5. 2. 1  離散Hopfield網(wǎng)絡(luò)
     5. 2. 2  連續(xù)Hopfield網(wǎng)絡(luò)
     5. 3  用反饋網(wǎng)絡(luò)作聯(lián)想存儲器
     5. 4  相關(guān)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(shè)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(luò)用于優(yōu)化計算
     6. 1  概述
     6. 2  連續(xù)Hopfield網(wǎng)絡(luò)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(luò)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(luò)中的應(yīng)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(luò)朋于抽取一組主分量
     7. 6  有側(cè)向連接的自適應(yīng)PCA
     7. 7  最小均方誤差重建學習
     7. 8  次分量的提取和應(yīng)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(luò)
     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(luò)與WTA網(wǎng)絡(luò)
     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(shè)量化
     8. 6  討論
     8. 7  應(yīng)用舉例——指紋識別
     8. 8  自適應(yīng)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(luò)
     10. 2  時空神經(jīng)元模型
     10. 2. 1  模型
     10. 2. 2  FIR網(wǎng)絡(luò)的學習算法
     10. 3  部分反饋網(wǎng)絡(luò)
     10. 4  有反饋網(wǎng)絡(luò)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(yīng)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(yīng)用舉例
     習題
     參考文獻
     第11章  神經(jīng)網(wǎng)絡(luò)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(luò)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(luò)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(luò)作聯(lián)想記憶
     參考文獻
     第12章  模塊化神經(jīng)網(wǎng)絡(luò)
     12. 1  引言
     12. 2  混合專家網(wǎng)絡(luò)
     12. 3  分層混合專家網(wǎng)絡(luò)
     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(yīng)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(luò)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