神經網絡算法與實現：基于Java語言

第1章 初識神經網絡\t1
1．1 探索神經網絡\t1
1．2 為什么要用人工神經網絡\t2
1．3 神經網絡的構造\t3
1．3．1 基礎元素——人工神經元\t3
1．3．2 賦予神經元生命——
激活函數\t4
1．3．3 基礎值——權值\t5
1．3．4 重要參數——偏置\t5
1．3．5 神經網絡組件——層\t5
1．4 神經網絡結構\t6
1．4．1 單層神經網絡\t7
1．4．2 多層神經網絡\t7
1．4．3 前饋神經網絡\t8
1．4．4 反饋神經網絡\t8
1．5 從無知到有識——學習過程\t8
1．6 實踐神經網絡\t9
1．7 小結\t15
第2章 神經網絡是如何學習的\t16
2．1 神經網絡的學習能力\t16
2．2 學習范式\t17
2．2．1 監(jiān)督學習\t17
2．2．2 無監(jiān)督學習\t18
2．3 系統結構——學習算法\t19
2．3．1 學習的兩個階段——訓練
和測試\t20
2．3．2 細節(jié)——學習參數\t21
2．3．3 誤差度量和代價函數\t22
2．4 學習算法示例\t22
2．4．1 感知機\t22
2．4．2 Delta規(guī)則\t23
2．5 神經網絡學習過程的編碼\t23
2．5．1 參數學習實現\t23
2．5．2 學習過程\t24
2．5．3 類定義\t26
2．6 兩個實例\t33
2．6．1 感知機（報警系統）\t34
2．6．2 ADALINE（交通預測）\t37
2．7 小結\t42
第3章 運用感知機\t43
3．1 學習感知機神經網絡\t43
3．1．1 感知機的應用和局限性\t44
3．1．2 線性分離\t44
3．1．3 經典XOR（異或）
例子\t45
3．2 流行的多層感知機（MLP）\t47
3．2．1 MLP屬性\t48
3．2．2 MLP權值\t49
3．2．3 遞歸MLP\t50
3．2．4 MLP在OOP范式中的
結構\t50
3．3 有趣的MLP應用\t51
3．3．1 使用MLP進行分類\t51
3．3．2 用MLP進行回歸\t53
3．4 MLP的學習過程\t54
3．4．1 簡單但很強大的學習
算法——反向傳播\t55
3．4．2 復雜而有效的學習算法——
Levenberg–Marquardt\t57
3．5 MLP實現\t58
3．5．1 實戰(zhàn)反向傳播算法\t61
3．5．2 探索代碼\t62
3．6 Levenberg–Marquardt實現\t66
3．7 實際應用——新生入學\t68
3．8 小結\t71
第4章 自組織映射\t72
4．1 神經網絡無監(jiān)督學習方式\t72
4．2 無監(jiān)督學習算法介紹\t73
4．3 Kohonen 自組織映射\t76
4．3．1 一維SOM\t77
4．3．2 二維SOM\t78
4．3．3 逐步實現自組織映射網絡
學習\t80
4．3．4 如何使用SOM\t81
4．4 Kohonen算法編程\t81
4．4．1 探索Kohonen類\t84
4．4．2 Kohonen實現
（動物聚類）\t86
4．5 小結\t88
第5章 天氣預測\t89
5．1 針對預測問題的神經網絡\t89
5．2 無數據，無神經網絡——
選擇數據\t91
5．2．1 了解問題——天氣變量\t92
5．2．2 選擇輸入輸出變量\t92
5．2．3 移除無關行為——
數據過濾\t93
5．3 調整數值——數據預處理\t94
5．4 Java實現天氣預測\t96
5．4．1 繪制圖表\t96
5．4．2 處理數據文件\t97
5．4．3 構建天氣預測神經網絡\t98
5．5 神經網絡經驗設計\t101
5．5．1 選擇訓練和測試
數據集\t101
5．5．2 設計實驗\t102
5．5．3 結果和模擬\t103
5．6 小結\t105
第6章 疾病診斷分類\t106
6．1 什么是分類問題，以及如何應用
神經網絡\t106
6．2 激活函數的特殊類型——
邏輯回歸\t107
6．2．1 二分類VS多分類\t109
6．2．2 比較預期結果與產生
結果——混淆矩陣\t109
6．2．3 分類衡量——靈敏度和
特異性\t110
6．3 應用神經網絡進行分類\t111
6．4 神經網絡的疾病診斷\t114
6．4．1 使用神經網絡診斷
乳腺癌\t114
6．4．2 應用神經網絡進行早期糖
尿病診斷\t118
6．5 小結\t121
第7章 客戶特征聚類\t122
7．1 聚類任務\t123
7．1．1 聚類分析\t123
7．1．2 聚類評估和驗證\t124
7．1．3 外部驗證\t125
7．2 應用無監(jiān)督學習\t125
7．2．1 徑向基函數神經網絡\t125
7．2．2 Kohonen 神經網絡\t126
7．2．3 數據類型\t127
7．3 客戶特征\t128
7．4 Java實現\t129
7．5 小結\t135
第8章 模式識別（OCR案例）\t136
8．1 什么是模式識別\t136
8．1．1 定義大量數據中的
類別\t137
8．1．2 如果未定義的類沒有被
定義怎么辦\t138
8．1．3 外部驗證\t138
8．2 如何在模式識別中應用神經網絡
算法\t138
8．3 OCR問題\t140
8．3．1 簡化任務——數字
識別\t140
8．3．2 數字表示的方法\t140
8．4 開始編碼\t141
8．4．1 生成數據\t141
8．4．2 構建神經網絡\t143
8．4．3 測試和重新設計——
試錯\t144
8．4．4 結果\t145
8．5 小結\t148
第9章 神經網絡優(yōu)化與自適應\t149
9．1 神經網絡實現中的常見問題\t149
9．2 輸入選擇\t150
9．2．1 數據相關性\t150
9．2．2 降維\t151
9．2．3 數據過濾\t152
9．3 結構選擇\t152
9．4 在線再訓練\t154
9．4．1 隨機在線學習\t155
9．4．2 實現\t156
9．4．3 應用\t157
9．5 自適應神經網絡\t159
9．5．1 自適應共振理論\t159
9．5．2 實現\t160
9．6 小結\t162
附錄A NetBeans環(huán)境搭建\t163
附錄B Eclipse環(huán)境搭建\t175
附錄C 參考文獻\t186