神經(jīng)計(jì)算原理

定　價(jià)：￥59.00

作　者：	（美）哈姆，（美）科斯塔尼克著，葉世偉，王海娟譯
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	計(jì)算機(jī)科學(xué)叢書(shū)
標(biāo)　簽：	神經(jīng)計(jì)算

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787111206378	出版時(shí)間：	2007-05-01	包裝：	膠版紙
開(kāi)本：	0開(kāi)	頁(yè)數(shù)：	491	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)比較系統(tǒng)全面地介紹了人工神經(jīng)網(wǎng)絡(luò)的理論和實(shí)際應(yīng)用，特別在神經(jīng)網(wǎng)絡(luò)模型和工程應(yīng)用方面有極為深入的分析和講解。全書(shū)不僅深入分析神經(jīng)網(wǎng)絡(luò)的基本概念，而且詳細(xì)介紹神經(jīng)網(wǎng)絡(luò)應(yīng)用方面的最新發(fā)展趨勢(shì)和主要研究方向。本書(shū)理論和實(shí)際應(yīng)用緊密結(jié)合，為神經(jīng)網(wǎng)絡(luò)的相關(guān)理論知識(shí)在具體問(wèn)題中的應(yīng)用打下了堅(jiān)實(shí)的基礎(chǔ)。.本書(shū)適合作為高等院校計(jì)算機(jī)專(zhuān)業(yè)高年級(jí)本科生或研究生的教材，也可供人工智能及神經(jīng)網(wǎng)絡(luò)方面的研究人員和專(zhuān)業(yè)技術(shù)人員參考。本書(shū)是神經(jīng)網(wǎng)絡(luò)領(lǐng)域中的一部?jī)?yōu)秀教材，著重講述人工神經(jīng)網(wǎng)絡(luò)基本原理以及如何運(yùn)用各種神經(jīng)計(jì)算技術(shù)來(lái)解決科學(xué)和工程領(lǐng)域中的現(xiàn)實(shí)問(wèn)題，如模式識(shí)別。最優(yōu)化，事件分類(lèi)。非線(xiàn)性系統(tǒng)的控制和識(shí)別以及統(tǒng)計(jì)分析等。..主要特點(diǎn)：·算法——很多算法用框線(xiàn)明確標(biāo)出，便于讀者查找?！ATLAB Toolbox——書(shū)中大量使用MATLAB的Neural Network Toolbox，舉例說(shuō)明神經(jīng)計(jì)算概念?！eb站點(diǎn)——登錄http：／／www．mhhe．com／ham，可獲取最新。最全面的信息。·示例和附錄——各章有詳盡的示例，闡述重要的神經(jīng)計(jì)算概念。附錄A全面介紹了神經(jīng)計(jì)算的數(shù)學(xué)基礎(chǔ)。...

作者簡(jiǎn)介

　　作者：Fredric M. HamFredric M. Ham博士現(xiàn)任佛羅里達(dá)理工學(xué)院的Harrls教授，佛羅里達(dá)理工學(xué)院信息處理實(shí)驗(yàn)室的主任。他于1980年在愛(ài)荷華州立大學(xué)獲得電氣工程博士學(xué)位。他在信號(hào)處理、生物醫(yī)學(xué)工程、神經(jīng)網(wǎng)絡(luò)和控制系統(tǒng)領(lǐng)域發(fā)表了許多論文，是電氣與電子工程師協(xié)會(huì)（IEEE）的高級(jí)會(huì)員，還是Eta Kappa Nu、Tau Beta Pi，Phi Kappa Phi和Sigma Xi的會(huì)員。

圖書(shū)目錄

出版者的話(huà)
專(zhuān)家指導(dǎo)委員會(huì)
譯者序
前言
致謝
重要符號(hào)和算符
重要縮寫(xiě)詞
第一部分神經(jīng)計(jì)算的基本概念和部分神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)及其學(xué)習(xí)規(guī)則
第1章神經(jīng)計(jì)算概述
1. 1 神經(jīng)計(jì)算是什么
1. 2 神經(jīng)計(jì)算的發(fā)展歷史
1. 3 神經(jīng)計(jì)算和神經(jīng)科學(xué)
1. 4 神經(jīng)網(wǎng)絡(luò)的分類(lèi)
1. 5 本書(shū)指南
參考文獻(xiàn)
笫2章神經(jīng)計(jì)算的基本概念
2. 1 概述
2. 2 人工神經(jīng)元的基本模型
2. 3 基本激活函數(shù)
2. 4 人工神經(jīng)元的霍普菲爾德模型
2. 5 自適應(yīng)線(xiàn)性單元和多重自適應(yīng)線(xiàn)性單元
2. 5. 1 簡(jiǎn)單自適應(yīng)線(xiàn)性組合器和LMS算法
2. 5. 2 自適應(yīng)線(xiàn)性單元
2. 5. 3 多重自適應(yīng)線(xiàn)性單元
2. 6 簡(jiǎn)單感知器
2. 6. 1 Mays感知器學(xué)習(xí)規(guī)則
2. 6. 2 具有S形激活函數(shù)的簡(jiǎn)單感知器
2. 7 前饋多層感知器
2. 8 單個(gè)神經(jīng)元基本學(xué)習(xí)規(guī)則概述
2. 8. 1 廣義的LMS學(xué)習(xí)規(guī)則
2. 8. 2 Hebb學(xué)習(xí)
2. 8. 3 Oja學(xué)習(xí)規(guī)則
2. 8. 4 位勢(shì)學(xué)習(xí)規(guī)則
2. 8. 5 相關(guān)學(xué)習(xí)規(guī)則
2. 8. 6 標(biāo)準(zhǔn)感知器學(xué)習(xí)規(guī)則
2. 8. 7 廣義感知器學(xué)習(xí)規(guī)則
2. 9 數(shù)據(jù)預(yù)處理
2. 9. 1 規(guī)整
2. 9. 2 變換
2. 9. 3 傅里葉變換
2. 9. 4 主成分分析
2. 9. 5 部分最小二乘回歸
2. 9. 6 小波和小波變換
習(xí)題
參考文獻(xiàn)
第3章映射網(wǎng)絡(luò)
3. 1 概述
3. 2 聯(lián)想記憶網(wǎng)絡(luò)
3. 2. 1 一般的線(xiàn)性分布式聯(lián)想記憶
3. 2. 2 相關(guān)矩陣記憶
3. 2. 3 相關(guān)矩陣記憶的誤差修正方法
3. 3 反向傳播學(xué)習(xí)算法
3. 3. 1 前饋多層感知器的基本反向傳播算法
3. 3. 2 使用標(biāo)準(zhǔn)反向傳播中的一些實(shí)際問(wèn)題
3. 3. 3 具有動(dòng)量更新的反向傳播學(xué)習(xí)算法
3. 3. 4 批量更新
3. 3. 5 搜索然后收斂方法
3. 3. 6 可變學(xué)習(xí)率的批量更新
3. 3. 7 反向傳播算法的向量矩陣形式
3. 4 加速學(xué)習(xí)反向傳播算法
3. 4. 1 前饋多層感知器的共軛梯度反向傳播
3. 4. 2 基于最小二乘的遞歸反向傳播算法
3. 4. 3 具有自適應(yīng)激活函數(shù)斜度的反向傳播
3. 4. 4 Levenberg-Marquardt算法
3. 5 對(duì)傳
3. 6 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
3. 6. 1 訓(xùn)練具有固定中心的RBF NN
3. 6. 2 用隨機(jī)梯度方法訓(xùn)練RBF NN
3. 6. 3 正交最小二乘
習(xí)題
參考文獻(xiàn)
第4章自組織網(wǎng)絡(luò)
4. 1 概述
4. 2 Kohonen自組織映射
4. 3 學(xué)習(xí)向量的量化
4. 4 自適應(yīng)共振理論(ART)神經(jīng)網(wǎng)絡(luò)
4. 4. 1 ART1
4. 4. 2 模糊ART和模糊ARTMAP
習(xí)題
參考文獻(xiàn)
第5章遞歸網(wǎng)絡(luò)和時(shí)間前饋網(wǎng)絡(luò)
5. 1 概述
5. 2 遞歸神經(jīng)網(wǎng)絡(luò)概述
5. 3 霍普菲爾德聯(lián)想記憶
5. 4 模擬退火
5. 5 玻爾茲曼機(jī)
5. 6 時(shí)間前饋網(wǎng)絡(luò)概述
5. 7 簡(jiǎn)單遞歸網(wǎng)絡(luò)
5. 8 時(shí)延神經(jīng)網(wǎng)絡(luò)
5. 9 分布式時(shí)滯前饋神經(jīng)網(wǎng)絡(luò)
習(xí)題
參考文獻(xiàn)
第二部分神經(jīng)計(jì)算的應(yīng)用
第6章用神經(jīng)網(wǎng)絡(luò)解決最優(yōu)化問(wèn)題
6. 1 概述
6. 2 解決線(xiàn)性規(guī)劃問(wèn)題的神經(jīng)網(wǎng)絡(luò)
6. 2. 1 解決LP問(wèn)題標(biāo)準(zhǔn)形式的神經(jīng)網(wǎng)絡(luò)
6. 2. 2 解決LP問(wèn)題非標(biāo)準(zhǔn)形式的神經(jīng)網(wǎng)絡(luò)
6. 3 解決二次規(guī)劃問(wèn)題的神經(jīng)網(wǎng)絡(luò)
6. 4 解決非線(xiàn)性連續(xù)約束最優(yōu)化問(wèn)題的神經(jīng)網(wǎng)絡(luò)
6. 4. 1 罰函數(shù)NP方法的神經(jīng)網(wǎng)絡(luò)
6. 4. 2 障礙函數(shù)NP方法的神經(jīng)網(wǎng)絡(luò)
6. 4. 3 普通拉格朗日乘子NP方法的神經(jīng)網(wǎng)絡(luò)
6. 4. 4 增廣拉格朗日乘子方法的神經(jīng)網(wǎng)絡(luò)
習(xí)題
參考文獻(xiàn)
第7章用神經(jīng)網(wǎng)絡(luò)解決矩陣代數(shù)問(wèn)題
7. 1 概述
7. 2 矩陣的逆和偽逆
7. 3 LU分解
7. 4 QR因子分解
7. 5 舒爾分解
7. 6 譜因子分解——特征值分解(EVD)(對(duì)稱(chēng)特征值問(wèn)題)
7. 7 對(duì)稱(chēng)特征值問(wèn)題的神經(jīng)網(wǎng)絡(luò)方法
7. 8 奇異值分解
7. 9 求解代數(shù)李雅普諾夫方程的神經(jīng)計(jì)算方法
7. 10 求解代數(shù)里卡蒂方程的神經(jīng)計(jì)算方法
習(xí)題
參考文獻(xiàn)
第8章使用神經(jīng)網(wǎng)絡(luò)求解線(xiàn)性代數(shù)方程組
8. 1 概述
8. 2 聯(lián)立線(xiàn)性代數(shù)方程組
8. 3 線(xiàn)性方程組的最小二乘解
8. 4 求解線(xiàn)性方程組的最小二乘神經(jīng)計(jì)算方法
8. 5 求解線(xiàn)性方程組的共軛梯度學(xué)習(xí)規(guī)則
8. 6 求解受噪聲侵?jǐn)_的線(xiàn)性方程組的廣義魯棒方法
8. 7 帶病態(tài)確定數(shù)值秩的不適定問(wèn)題的正則化方法
8. 8 求解線(xiàn)性方程組的離散時(shí)間迭代方法中的矩陣分裂
8. 9 最小二乘問(wèn)題
8. 10 線(xiàn)性方程組的L∞范數(shù)(最小最大)神經(jīng)網(wǎng)絡(luò)
8. 11 求解線(xiàn)性方程的L1范數(shù)(最小絕對(duì)偏差)神經(jīng)網(wǎng)絡(luò)
習(xí)題
參考文獻(xiàn)
第9章使用神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)方法
9. 1 概述
9. 2 主成分分析
9. 3 神經(jīng)網(wǎng)絡(luò)自適應(yīng)主成分估計(jì)的學(xué)習(xí)算法
9. 3. 1 第一主成分估計(jì)——Oja的正規(guī)化Hebb學(xué)習(xí)規(guī)則
9. 3. 2 多個(gè)主成分估計(jì)——對(duì)稱(chēng)子空間學(xué)習(xí)規(guī)則
9. 3. 3 多個(gè)主成分估計(jì)——廣義Hebb算法
9. 3. 4 多個(gè)主成分估計(jì)——隨機(jī)梯度上升算法
9. 3. 5 多個(gè)主成分估計(jì)——自適應(yīng)主成分提取算法
9. 3. 6 非線(xiàn)性主成分分析(NLPCA)和魯棒PCA
9. 4 主成分回歸
9. 5 部分最小二乘回歸
9. 6 部分最小二乘回歸的神經(jīng)網(wǎng)絡(luò)方法
9. 7 魯棒PLSR：一種神經(jīng)網(wǎng)絡(luò)方法
習(xí)題
參考文獻(xiàn)
第10章使用神經(jīng)網(wǎng)絡(luò)進(jìn)行辨識(shí). 控制和估計(jì)
10. 1 概述
10. 2 線(xiàn)性系統(tǒng)的表示法
10. 3 自回歸滑動(dòng)平均模型
10. 4 用ARMA模型的線(xiàn)性系統(tǒng)辨識(shí)
10. 5 應(yīng)用PLSNET進(jìn)行線(xiàn)性系統(tǒng)的參數(shù)系統(tǒng)辨識(shí)
10. 6 非線(xiàn)性系統(tǒng)的表示法
10. 6. 1 非線(xiàn)性輸入-狀態(tài)-輸出表示法
10. 6. 2 非線(xiàn)性ARMA
10. 7 非線(xiàn)性動(dòng)態(tài)系統(tǒng)的辨識(shí)和控制
10. 7. 1 非線(xiàn)性系統(tǒng)的辨識(shí)
10. 7. 2 非線(xiàn)性控制
10. 8 獨(dú)立成分分析：未知源信號(hào)的盲分離
10. 8. 1 獨(dú)立成分分析的概述
10. 8. 2 用神經(jīng)網(wǎng)絡(luò)進(jìn)行獨(dú)立成分分析
10. 8. 3 用于ICA的快速固定點(diǎn)算法
10. 9 可加噪聲中的正弦曲線(xiàn)的譜估計(jì)
10. 9. 1 問(wèn)題描述
10. 9. 2 頻率估計(jì)問(wèn)題的PLSR解
10. 10 其他案例分析
10. 10. 1 從近紅外譜模擬數(shù)據(jù)估計(jì)葡萄糖濃度
10. 10. 2 使用次聲數(shù)據(jù)進(jìn)行事件分類(lèi)
習(xí)題
參考文獻(xiàn)
附錄A 神經(jīng)計(jì)算的數(shù)學(xué)基礎(chǔ)
A. 1 引言
A. 2 線(xiàn)性代數(shù)
A. 2. 1 域和向量空間
A. 2. 2 矩陣的表示和運(yùn)算
A. 2. 3 內(nèi)積和外積
A. 2. 4 向量的線(xiàn)性無(wú)關(guān)
A. 2. 5 矩陣的秩和線(xiàn)性無(wú)關(guān)
A. 2. 6 矩陣的確定性
A. 2. 7 矩陣的逆和偽逆
A. 2. 8 正交矩陣. 酉矩陣和共軛向量
A. 2. 9 特征值和特征向量
A. 2. 10 相似變換
A. 2. 11 若當(dāng)標(biāo)準(zhǔn)形
A. 2. 12 動(dòng)態(tài)系統(tǒng)的狀態(tài)空間描述
A. 2. 13 向量和矩陣的范數(shù)
A. 2. 14 奇異值分解
A. 2. 15 矩陣條件數(shù)
A. 2. 16 分塊矩陣運(yùn)算
A. 2. 17 克羅內(nèi)克積與和
A. 2. 18 實(shí)數(shù)和復(fù)數(shù)方陣的重要性質(zhì)小結(jié)
A. 2. 19 模式化矩陣和特殊矩陣
A. 3 多變量分析的原理
A. 3. 1 集合和函數(shù)
A. 3. 2 二-次型
A. 3. 3 鏈?zhǔn)椒▌t
A. 3. 4 矩陣微積分
A. 3. 5 黑塞矩陣
A. 3. 6 雅可比矩陣
A. 3. 7 泰勒級(jí)數(shù)展開(kāi)式
A. 4 李雅普諾夫直接法
A. 5 無(wú)約束最優(yōu)化方法
A. 5. 1 極值的充分必要條件
A. 5. 2 最速下降法
A. 5. 3 牛頓法
A. 5. 4 改進(jìn)的牛頓法和擬牛頓法
A. 5. 5 共軛梯度法
A. 6 約束非線(xiàn)性規(guī)劃
A. 6. 1 庫(kù)恩-塔克條件
A. 6. 2 拉格朗日乘子法
A. 7 隨機(jī)變量和隨機(jī)過(guò)程
A. 7. 1 隨機(jī)變量
A. 7. 2 概率分布函數(shù)
A. 7. 3 概率密度函數(shù)
A. 7. 4 期望值. 均值和矩
A. 7. 5 隨機(jī)過(guò)程
A. 7. 6 向量隨機(jī)過(guò)程
A. 7. 7 發(fā)功率譜密度函數(shù)和功率譜密度矩陣
A. 7. 8 白噪聲驅(qū)動(dòng)的線(xiàn)性系統(tǒng)和譜因子分解
A. 8 模糊集合論
A. 9 部分三角恒等式
參考文獻(xiàn)
主題索引