新書推薦： 《
组队：超级个体时代的协作方式
》 售價：NT$
352.0
《
第十三位陪审员
》 售價：NT$
245.0
《
微观经济学（第三版）【2024诺贝尔经济学奖获奖者作品】
》 售價：NT$
709.0
《
Python贝叶斯深度学习
》 售價：NT$
407.0
《
文本的密码：社会语境中的宋代文学
》 售價：NT$
306.0
《
启微·狂骉年代：西洋赛马在中国
》 售價：NT$
357.0
《
有趣的中国古建筑
》 售價：NT$
305.0
《
十一年夏至
》 售價：NT$
347.0
內容簡介：
本书较全面地阐述了人工神经网络的理论知识，介绍了多种经典的人工神经网络模型结构、学习算法和实际应用。本书共11章，第1章介绍人工神经网络的定义、发展、生理学机理、神经元模型、拓扑结构、学习算法等；第2章介绍感知机的基本原理、学习算法及应用；第3章介绍多层前馈神经网络的基本原理、学习算法及应用；第4章介绍不同正则化理论、相应神经网络及应用；第5章介绍不同极限学习机模型、支持向量机及应用；第6章介绍形态神经网络的模型结构、学习算法、鲁棒性分析及应用；第7章介绍自组织映射和核自组织映射的基本原理及应用；第8章介绍典型卷积神经网络的模型结构和基本原理，阐述卷积神经网络的变体及应用；第9章介绍基本的生成对抗网络、自注意生成对抗网络、进化生成对抗网络、迁移学习和对抗领域自适应等网络模型，阐述生成对抗网络的学习算法、训练技巧及应用；第10章介绍长短时记忆网络和递归神经网络的模型、学习算法及应用；第11章介绍模糊神经网络，包括模糊集合和模糊逻辑的基本概念和运算，模糊神经网络的模型结构、性能分析、学习算法及应用。本书可作为计算机科学与技术、软件工程、人工智能、智能科学与技术、生物医学工程等专业本科生和研究生的教材或参考书，也可供相关领域关注人工神经网络理论及应用的工程技术人员和科研人员学习参考。
關於作者：
何春梅，湘潭大学计算机学院（网络空间安全学院）副教授，自硕士期间开始，研究方向一直是神经网络理论及应用。是中国计算机学会会员，中国人工智能学会会员，中国计算机学会人工智能专委会委员，中国人工智能学会模式识别专委会委员、中国人工智能学会知识工程与分布式智能专委会青年委员，湖南省人工智能学会理事，湘潭市首批高层次人才称号，近年承担国家自然科学基金项目7项（主持1项，参与6项），主持省级项目3项，主持厅级项目4项，第一作者发表SCI/EI检索期刊论文16篇，目前为IEEE Trans.On Fuzzy systems， Journal of Intelligent and Fuzzy Systems， International Journal of Machine Learning and Cybernetics， Frontiers of Computer Science等国际期刊审稿人。
目錄
第1章 绪论11.1 什么是人工神经网络11.2 发展历史21.3 人脑41.4 Hebb法则71.5 神经元模型71.6 神经网络的拓扑结构91.7 知识表示111.8 神经网络的学习算法151.9 神经网络的学习任务171.10 小结20参考文献21第2章 感知机222.1 引言222.2 实例引入222.3 Rosenblatt感知机232.3.1 感知机的结构232.3.2 单层感知机与多层感知机232.3.3 感知机的学习272.4 最小均方误差272.4.1 线性回归问题引入272.4.2 最小均方算法282.5 实战Iris模式分类302.6 小结31参考文献32习题32第3章 多层前馈神经网络333.1 引言333.2 多层前馈神经网络模型结构333.3 BP神经网络353.3.1 BP神经网络的介绍353.3.2 BP算法353.3.3 编程实战383.4 RBF神经网络413.4.1 什么是RBF神经网络413.4.2 RBF神经网络的学习过程423.4.3 RBF神经网络与BP神经网络的区别423.5 泛化能力433.5.1 什么是泛化433.5.2 如何提高泛化能力443.6 函数逼近463.6.1 通用逼近定理463.6.2 逼近误差的边界463.6.3 维数灾难473.7 BP算法的优点和缺点483.7.1 BP算法的优点483.7.2 BP算法的缺点493.8 人脸识别应用503.8.1 人脸图像的小波变换523.8.2 BP神经网络的分类识别533.8.3 RBF神经网络的分类识别533.8.4 实验结果543.9 小结55参考文献55习题56第4章 正则化理论574.1 引言574.2 良态问题的Hadamard条件584.3 正则化理论584.4 正则化网络664.5 广义RBF神经网络664.6 正则化最小二乘估计694.7 半监督学习714.8 正则化参数估计714.9 流形正则化754.10 广义正则化理论764.11 用半监督学习对模式分类的实验774.12 小结79参考文献80习题81第5章 极限学习机模型及应用845.1 引言845.2 预备知识845.2.1 核方法845.2.2 支持向量机865.3 极限学习机模型915.4 核极限学习机945.5 正则极限学习机955.6 基于正则极限学习机的图像复原975.7 基于正规方程式的核极限学习机995.7.1 模型结构与算法995.7.2 基于NE-KELM的模式识别实验1015.8 基于共轭梯度的核极限学习机1035.8.1 共轭梯度法1045.8.2 模型结构与算法1045.8.3 基于CG-KELM的图像复原实验1055.9 流形正则化核极限学习机1075.9.1 流形正则化核极限学习机的模型结构与算法1075.9.2 基于MR-KELM的糖尿病检测实验1075.10 基于核极限学习机的医疗诊断系统1085.10.1 PL-KELM的流程1085.10.2 基于PL-KELM的模式识别实验1105.10.3 肿瘤细胞识别系统1115.11 小结112参考文献113习题114第6章 形态神经网络1156.1 引言1156.2 形态学算法基础1156.2.1 数学形态学的定义1156.2.2 数学形态滤波1166.3 形态神经网络模型1176.4 形态联想记忆神经网络模型及其摄动鲁棒性1186.4.1 MAM神经网络的数学基础与相关定义1186.4.2 两种MAM神经网络的摄动鲁棒性1196.5 进化形态神经网络1236.5.1 进化形态神经网络的学习算法1246.5.2 基于进化形态神经网络的图像复原1256.6 小结127参考文献127习题129第7章 自组织映射1307.1 引言1307.2 两个基本的特征映射模型1317.3 SOM概述1327.4 特征映射的性质1377.5 核SOM概述1427.6 小结148参考文献149习题149第8章 卷积神经网络模型及应用1518.1 引言1518.2 卷积神经网络模型1528.2.1 卷积神经网络的基本结构和原理1528.2.2 LeNet-51598.2.3 AlexNet1608.2.4 VGGNet1678.2.5 Inception1708.2.6 ResNet1798.2.7 Inception-ResNet1888.3 基于卷积神经网络的白细胞分类1908.3.1 白细胞图像去噪1918.3.2 基于k-Means颜色聚类算法的显微白细胞图像分割1948.3.3 基于改进卷积神经网络的显微白细胞图像识别1958.4 结合卷积神经网络和极限学习机的人脸识别2008.4.1 卷积神经网络参数训练2018.4.2 正则极限学习机进行图像分类2028.4.3 基于CNN-RELM的人脸识别模型实验与对比分析2038.5 基于深度迁移学习的肿瘤细胞图像识别2068.5.1 引言2068.5.2 正则化与迁移学习2078.5.3 基于深度迁移学习的肿瘤细胞图像识别2088.6 小结212参考文献212习题213第9章 生成对抗网络模型2149.1 引言2149.2 预备知识2149.2.1 GAN基础模型2159.2.2 GAN训练2169.2.3 平衡状态2169.2.4 为什么学习GAN2179.2.5 GAN概述2189.2.6 显式密度模型2189.2.7 隐式密度模型2189.2.8 GAN与其他生成算法比较2189.3 GAN的基础理论2199.3.1 GAN的基础——对抗训练2199.3.2 损失函数2209.3.3 训练过程2209.3.4 生成器和鉴别器2219.3.5 目标冲突2229.3.6 混淆矩阵2229.3.7 GAN训练算法2239.4 训练和常见挑战2239.4.1 评价2239.4.2 评价框架2249.4.3 Inception Score2259.4.4 Frechet Inception Distance（FID）2259.4.5 训练挑战2269.4.6 增加网络深度2269.4.7 各种GAN游戏设置2279.4.8 什么时候停止训练2309.5 训练技巧2319.5.1 输入标准化2319.5.2 批量标准化2319.5.3 理解标准化2319.5.4 计算BN2329.5.5 梯度惩罚2329.5.6 多训练鉴别器2329.5.7 避免稀疏梯度2339.5.8 使用软标签和带噪声的标签2339.6 自注意生成对抗网络2339.6.1 注意力2339.6.2 自注意力2359.6.3 核心代码2369.7 进化生成对抗网络2379.7.1 基本介绍2379.7.2 动机2379.7.3 进化算法2389.7.4 生成的图像2409.8 生成对抗网络和迁移学习2409.8.1 迁移学习的概念2409.8.2 为什么要迁移学习2419.8.3 迁移学习的基本形式2429.8.4 GAN和迁移学习的联系2439.9 对抗领域自适应用于肿瘤图像诊断2439.9.1 对抗领域自适应网络模型2449.9.2 特征提取器2459.9.3 数据集和实验设置2469.9.4 结果分析与讨论2469.9.5 探讨2479.10 小结247参考文献247习题249第10章 长短时记忆网络25010.1 引言25010.2 RNN25010.2.1 RNN的结构模型25010.2.2 RNN模型的优缺点25110.3 LSTM的结构模型与实现25210.4 LSTM的学习算法25310.5 LSTM的网络方程25510.6 LSTM的实际应用25710.6.1 数据预处理25710.6.2 建立模型与训练25810.6.3 结果展示25910.7 小结259参考文献260习题260第11章 模糊神经网络26111.1 绪论26111.1.1 模糊集合、模糊逻辑理论及其运算26111.1.2 模糊逻辑推理26411.1.3 FNN概述26711.2 训练模式对的摄动对MFNN的影响27111.2.1 FNN中的摄动鲁棒性27111.2.2 MFNN及其学习算法27311.2.3 分析训练模式对的摄动对MFNN的影响27511.3 折线FNN的泛逼近性27911.3.1 相关记号与术语27911.3.2 折线模糊数28011.3.3 三层前馈折线FNN28211.3.4 折线FNN对模糊函数的通用逼近性28511.3.5 输入为一般模糊数的折线FNN的通用逼近性29111.3.6 一般折线FNN的通用逼近性分析29611.4 模糊化神经网络的学习算法30111.4.1 折线FNN的学习算法30211.4.2 折线FNN的模糊学习算法30511.4.3 正则FNN的学习算法31211.5 小结317参考文献318习题319
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
