新書推薦：
《
医用化学（第三版）
》
售價：NT$
259.0
《
别怕，试一试
》
售價：NT$
307.0
《
人才基因（凝聚30年人才培育经验与智慧）
》
售價：NT$
468.0
《
深度学习详解
》
售價：NT$
519.0
《
李白传（20世纪文史学家李长之经典传记）
》
售價：NT$
207.0
《
津轻：日本无赖派文学代表太宰治自传性随笔集
》
售價：NT$
302.0
《
河流之齿
》
售價：NT$
270.0
《
新经济史革命：计量学派与新制度学派
》
售價：NT$
406.0
|
| 內容簡介： |
|
本书主要讲解时空脉冲神经网络的原理、类型与使用方式，重点是使读者理解时空脉冲神经网络在人工智能应用中的基本模型、算法方面所起的作用，了解时空脉冲神经网络的应用场景及其与智能机器人、人工智能、脑科学等的集成与应用。
|
| 關於作者： |
|
康晓洋，博士。2018年10月入职复旦大学工程与应用技术研究院、智能机器人研究院。
|
| 目錄：
|
1 时空中不断变化的过程，时空中的深度学习和深度知识表示，灵感来自大脑的人工智能
1.1 时空演化过程
1.1.1 什么是不断发展的过程？
1.1.2 活生物体的进化过程
1.1.3 时空和分时的演化过程
1.2 演化过程的特征：频率，能量，概率，熵和信息
1.3 光和声音
1.4 时空和方向演变过程
1.5 从数据信息到知识
1.6 时空中的深度学习和深度知识表示
1.6.1 在时空中定义深度知识
1.6.2 有多深？
1.6.3 本书中的深度知识表示示例
1.7 演化过程的统计，计算建模
1.7.1 计算建模的统计方法
1.7.2 全局，局部和转换（“个性化”）建模
1.7.3 模型验证
1.8 灵感来自大脑的人工智能
1.9 本章小结和更深入的阅读材料 参考文献
2 人工神经网络中不断发展的连接主义系统
2.1 经典人工神经网络：SOM，MLP，CNN，RNN
2.1.1 神经网络中的无监督学习——自组织地图（SOM）
2.1.2 人工神经网络中的监督学习——多层感知器及其反向传播算法
2.1.3 卷积神经网络（CNN）
2.1.4 递归和LSTMANN
2.2 混合和基于知识的人工神经网络
2.3 不断发展的连接主义系统（ECOS）
2.3.1 ECOS原理
2.3.2 不断发展的自组织地图
2.3.3 不断发展的MLP
2.4 不断发展的模糊神经网络——EFuNN
2.5 动态发展的神经模糊推理系统——DENFIS
2.6 其他ECOS方法和系统
2.7 本章小结和更深入的阅读材料参考文献
第二部分：人脑
3 人脑中的深度学习和深度知识表示
3.1 大脑中的时空
3.2 学习与记忆
3.3 信息的神经表示
3.4 大脑中的感知始终是时空超时空
3.5 大脑时空中的深度学习和深度知识表示
3.6 神经元和大脑中的信息和信号处理
3.6.1 信息编码
3.6.2 信息处理的分子基础
3.7 将大脑活动作为时空时空数据进行测量
3.7.1 一般概念
3.7.2 脑电图（EEG）数据
3.7.3 脑磁图（MEG）
3.7.4 计算机断层扫描（CT）和聚酯（PET）
3.7.5 功能磁共振成像
3.8 本章总结和更深层次的阅读材料参考文献
第三部分：脉冲神经网络
4 脉冲神经网络的方法
4.1 信息表示为脉冲的脉冲编码算法
4.1.1 比率与脉冲时间信息表示形式
4.1.2 脉冲编码算法
4.2 脉冲神经元模型
4.2.1 霍奇金-赫克斯利模型（HHM）
4.2.2 泄漏的集成火力模型（LIFM）
4.2.3 伊奇凯维奇模型（IM）
4.2.4 脉冲响应模型（SRM）
4.2.5 索普模型（TM）
4.2.6 概率和随机脉冲神经元模型
4.2.7 神经元的概率神经遗传模型
4.3 SNN中的学习方法
4.3.1 脉冲
4.3.2 脉冲时间相关可塑性（STDP）
4.3.3 脉冲驱动的突触可塑性（SDSP）
4.3.4 排名顺序（RO）学习规则
4.3.5 动态突触学习
4.4 脉冲模式关联神经元和神经网络
4.4.1 脉冲模式关联学习原理
4.4.2 案例研究实例
4.4.3 SPAN中的存储容量
4.4.4 分类问题的SPAN
4.5 为什么要使用SNN？
4.6 总结和进一步阅读以获取更深入的知识 参考文献
|
|
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
