注冊(cè) | 登錄讀書好,好讀書,讀好書!
讀書網(wǎng)-DuShu.com
當(dāng)前位置: 首頁出版圖書科學(xué)技術(shù)計(jì)算機(jī)/網(wǎng)絡(luò)人工智能人工神經(jīng)網(wǎng)絡(luò)與微粒群優(yōu)化

人工神經(jīng)網(wǎng)絡(luò)與微粒群優(yōu)化

人工神經(jīng)網(wǎng)絡(luò)與微粒群優(yōu)化

定 價(jià):¥38.00

作 者: 劉希玉、劉弘
出版社: 北京郵電大學(xué)出版社
叢編項(xiàng): 普通高等教育"十一五"國(guó)家級(jí)規(guī)劃教材·計(jì)算機(jī)新技術(shù)應(yīng)用系列叢書
標(biāo) 簽: 計(jì)算機(jī)專業(yè)

ISBN: 9787563513680 出版時(shí)間: 2008-01-01 包裝: 平裝
開本: 16開 頁數(shù): 293 pages 字?jǐn)?shù):  

內(nèi)容簡(jiǎn)介

  《人工神經(jīng)網(wǎng)絡(luò)與微粒群優(yōu)化》介紹了幾類常用的和基本的人工神經(jīng)網(wǎng)絡(luò)模型,即感知機(jī)、前饋型、反饋型、隨機(jī)神經(jīng)網(wǎng)絡(luò),還介紹了比較新并有發(fā)展前途的支持向量機(jī)、非線性泛函網(wǎng)絡(luò)、人工免疫系統(tǒng),獨(dú)立成章地闡述了微粒群算法的基本原理及人工神經(jīng)網(wǎng)絡(luò)的微粒群優(yōu)化技術(shù),每種模型都圍繞結(jié)構(gòu)、基本原理、學(xué)習(xí)算法的次序來闡述,同時(shí)介紹了在數(shù)據(jù)挖掘、創(chuàng)新概念設(shè)計(jì)中的應(yīng)用。書中部分內(nèi)容是幾年來作者及其所指導(dǎo)的研究生們研究成果的總結(jié)?!度斯ど窠?jīng)網(wǎng)絡(luò)與微粒群優(yōu)化》選材精、內(nèi)容新、闡述系統(tǒng),力爭(zhēng)深入淺出和突出應(yīng)用,可作為相應(yīng)學(xué)科的研究生和高年級(jí)本科生的課程教材,也可作為從事該領(lǐng)域研究的科學(xué)技術(shù)人員的參考書。

作者簡(jiǎn)介

暫缺《人工神經(jīng)網(wǎng)絡(luò)與微粒群優(yōu)化》作者簡(jiǎn)介

圖書目錄

第1章 概論
1.1 人工神經(jīng)網(wǎng)絡(luò)的基本概念
1.1.1 人工神經(jīng)網(wǎng)絡(luò)的基本概念和特征
1.1.2 神經(jīng)元數(shù)學(xué)模型
1.2 人工神經(jīng)網(wǎng)絡(luò)研究的發(fā)展簡(jiǎn)史
1.2.1 人工神經(jīng)網(wǎng)絡(luò)研究的發(fā)展
1.2.2 我國(guó)人工神經(jīng)元網(wǎng)絡(luò)研究的情況
1.2.3 存在的問題
1.2.4 幾種著名的神經(jīng)網(wǎng)絡(luò)
1.3 并行及分布處理理論
1.3.1 并行分布處理理論
1.3.2 PDP的基本概念
1.3.3 聯(lián)結(jié)性和并行分布性
1.3.4 非符號(hào)性和連續(xù)性
1.4 研究人工神經(jīng)網(wǎng)絡(luò)的意義
1.4.1 神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)計(jì)算的比較
1.4.2 人工神經(jīng)元網(wǎng)絡(luò)與人工智能系統(tǒng)的比較
1.4.3 研究人工神經(jīng)元網(wǎng)絡(luò)的意義
1.4.4 人工神經(jīng)元網(wǎng)絡(luò)在控制領(lǐng)域中的應(yīng)用
第2章 人工神經(jīng)網(wǎng)絡(luò)的基本原理
2.1 神經(jīng)元
2.1.1 神經(jīng)元的結(jié)構(gòu)
2.1.2 大腦的信息處理原理
2.2 人工神經(jīng)網(wǎng)絡(luò)模型
2.2.1 形式神經(jīng)元模型
2.2.2 神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
2.2.3 神經(jīng)元的學(xué)習(xí)法則
2.2.4 神經(jīng)元的計(jì)算原理
2.3 十種常用的學(xué)習(xí)規(guī)則
2.3.1 Hebb學(xué)習(xí)規(guī)則
2.3.2 感知器的學(xué)習(xí)規(guī)則
2.3.3 δ學(xué)習(xí)規(guī)則
2.3.4 Widnow-Hoff學(xué)習(xí)規(guī)則
2.3.5 相關(guān)學(xué)習(xí)規(guī)則
2.3.6 “勝者為王”學(xué)習(xí)規(guī)則
2.3.7 內(nèi)星和外星學(xué)習(xí)規(guī)則
2.3.8 梯度下降算法
2.3.9 隨機(jī)訓(xùn)練算法
2.3.10 模擬退火算法
2.3.11 學(xué)習(xí)規(guī)則的一覽表
2.4 學(xué)習(xí)任務(wù)
2.4.1 模式聯(lián)想
2.4.2 模式識(shí)別
2.4.3 函數(shù)逼近
2.4.4 控制
2.4.5 濾波
2.4.6 波束形成
2.5 記憶
2.5.1 相關(guān)矩陣記憶
2.5.2 回憶
2.6 自適應(yīng)
2.7 學(xué)習(xí)過程的統(tǒng)計(jì)性質(zhì)
2.8 統(tǒng)計(jì)學(xué)習(xí)理論
2.8.1 一些基本定義
2.8.2 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則
2.9 VC維
2.9.1 VC維的估計(jì)
2.9.2 可能近似正確的學(xué)習(xí)模型
2.9.3 樣本復(fù)雜性
2.9.4 計(jì)算復(fù)雜性
第3章 感知機(jī)
3.1 最簡(jiǎn)單的感知機(jī)
3.2 感知機(jī)的學(xué)習(xí)算法
3.3 收斂定理
3.4 簡(jiǎn)單感知機(jī)的局限性
3.5 凸集分離定理
3.5.1 凸集與凸性
3.5.2 凸集分離定理
第4章 前饋型神經(jīng)網(wǎng)絡(luò)
4.1 多層感知器
4.2 多層感知器的學(xué)習(xí)算法
4.3 激活函數(shù)
4.3.1 S型函數(shù)
4.3.2 其他激活函數(shù)
4.3.3 非線性誤差函數(shù)
4.4 BP算法的改進(jìn)
4.5 網(wǎng)絡(luò)設(shè)計(jì)及數(shù)據(jù)預(yù)處理
4.5.1 輸入層和輸出層的設(shè)計(jì)
4.5.2 隱含層數(shù)和層內(nèi)節(jié)點(diǎn)數(shù)的選擇
4.6 網(wǎng)絡(luò)映射及容量分析
4.6.1映射作用
4.6.2前向網(wǎng)絡(luò)的容量分析
第5章 BP網(wǎng)絡(luò)的應(yīng)用
5.1 XOR問題
5.2 天氣預(yù)報(bào)問題
5.3 地下水位的預(yù)測(cè)
5.4 室內(nèi)溫度的預(yù)測(cè)
5.5 產(chǎn)品成本的預(yù)測(cè)
第6章 反饋型神經(jīng)網(wǎng)絡(luò)
6.1 Hopfield網(wǎng)絡(luò)
6.2 聯(lián)想記憶與神經(jīng)計(jì)算
6.2.1 聯(lián)想記憶
6.2.2 神經(jīng)計(jì)算
6.3 連續(xù)時(shí)間Hopfield神經(jīng)網(wǎng)絡(luò)模型
6.3.1 非線性連續(xù)時(shí)間Hopfield神經(jīng)網(wǎng)絡(luò)
6.3.2 Hopfield型神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)與穩(wěn)定性
6.4 Hopfield神經(jīng)網(wǎng)絡(luò)論文分析
6.5 Hopfield網(wǎng)絡(luò)在動(dòng)態(tài)聯(lián)盟伙伴中的應(yīng)用
 6.5.1 模型的建立
 6.5.2 模型的簡(jiǎn)化
 6.5.3 對(duì)多目標(biāo)的動(dòng)態(tài)聯(lián)盟問題求解
 6.5.4 基于Hopfield網(wǎng)絡(luò)的多目標(biāo)動(dòng)態(tài)聯(lián)盟求解
第7章 隨機(jī)神經(jīng)網(wǎng)絡(luò)
7.1 模擬退火算法
7.1.1 模擬退火算法
7.1.2 改進(jìn)的模擬退火算法
7.1.3 SA算法的收斂法
7.2 玻耳茲曼機(jī)
7.2.1 玻耳茲曼機(jī)模型
7.2.2 能量函數(shù)
7.2.3 學(xué)習(xí)算法
7.2.4 玻耳茲曼機(jī)學(xué)習(xí)算法推導(dǎo)
7.3 NN的概率統(tǒng)計(jì)法
7.4 并行分布柯西機(jī)
7.5 神經(jīng)網(wǎng)絡(luò)的熵理論
7.5.1 NN計(jì)算能量與熵
7.5.2 同步并行計(jì)算
7.5.3 異步串行計(jì)算
7.6 動(dòng)力系統(tǒng)的分維學(xué)
7.6.1 Hausdorff維數(shù)
7.6.2 分維的量度
7.7 分維神經(jīng)網(wǎng)絡(luò)
7.7.1 分維NN結(jié)構(gòu)
7.7.2 信息的存儲(chǔ)
第8章 非線性泛函網(wǎng)絡(luò)
8.1 非線性可分性
8.1.1 聲可分性
8.1.2 RBF網(wǎng)絡(luò)的結(jié)構(gòu)及工作原理
8.1.3 函數(shù)逼近與內(nèi)插
8.2 Cover定理
8.3 正規(guī)化理論
8.4 RBF網(wǎng)絡(luò)的學(xué)習(xí)算法
8.5 泛函連接網(wǎng)絡(luò)
8.6 小波網(wǎng)絡(luò)
8.6.1 小波理論
8.6.2 小波網(wǎng)絡(luò)
8.6.3 小波網(wǎng)絡(luò)的性能分析
8.6.4 小波網(wǎng)絡(luò)在股市預(yù)測(cè)中的應(yīng)用
8.6.5 小波理論在創(chuàng)新概念設(shè)計(jì)評(píng)價(jià)中的應(yīng)用
第9章 支持向量機(jī)
9.1 簡(jiǎn)介
9.2 線性可分模式的最優(yōu)超平面
9.2.1 用于尋找最優(yōu)超平面的二次最優(yōu)化
9.2.2 最優(yōu)超平面的統(tǒng)計(jì)特性
9.3 不可分模式的最優(yōu)超平面
9.4 怎樣建立用于模式識(shí)別的支持向量機(jī)
9.4.1 內(nèi)積核
9.4.2 Mercer定理
9.4.3 支持向量機(jī)的最優(yōu)設(shè)計(jì)
9.4.4 支持向量機(jī)的例子
9.5 例子:XOR問題
9.6 一不敏感損失函數(shù)
9.7 用于非線性回歸的支持向量機(jī)
9.8 小結(jié)和討論
第10章 人工免疫系統(tǒng)及克隆選擇算法
10.1 概述
10.2 生物免疫系統(tǒng)的基本原理
10.2.1 免疫系統(tǒng)的功能
10.2.2 固有性免疫響應(yīng)和適應(yīng)性免疫響應(yīng)
10.2.3 免疫系統(tǒng)的結(jié)構(gòu)
10.3 人工免疫系統(tǒng)
10.3.1 人工免疫系統(tǒng)進(jìn)展
10.3.2 人工免疫系統(tǒng)的研究領(lǐng)域
10.3.3 人工免疫系統(tǒng)與其他方法的比較
10.4 克隆選擇學(xué)說與克隆選擇算子
10.4.1 克隆選擇
10.4.2 克隆算子
10.5 簡(jiǎn)單克隆選擇算法及其性能分析
10.5.1 簡(jiǎn)單克隆選擇算法
10.5.2 簡(jiǎn)單克隆選擇算法的收斂性
10.5.3 多克隆算子與單克隆算子的比較
10.5.4 克隆選擇算法與進(jìn)化算法
 10.5.5 克隆選擇算法的優(yōu)缺點(diǎn)
10.6 小結(jié)
10.6.1 人工免疫系統(tǒng)存在的問題
10.6.2 基于人工免疫系統(tǒng)的綜合集成
10.6.3 人工免疫系統(tǒng)應(yīng)用研究
10.6.4 人工免疫系統(tǒng)進(jìn)一步研究的方向
第11章 微粒群算法
11.1 基本的微粒群算法
11.1.1 引言
11.1.2 基本微粒群算法
11.1.3 基本微粒群算法的社會(huì)行為分析
11.2 改進(jìn)的微粒群算法
11.2.1 對(duì)基本微粒群算法進(jìn)化方程的改進(jìn)
11.2.2 利用小生境思想所做的改進(jìn)
11.2.3 離散變量的微粒群算法
11.3 微粒群算法的應(yīng)用
11.3.1 進(jìn)化計(jì)算用于神經(jīng)網(wǎng)絡(luò)的優(yōu)化
11.3.2 用PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)
11.3.3 協(xié)同PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)
11.4 微粒群算法在建筑設(shè)計(jì)上的應(yīng)用探索
11.4.1 群體智能算法總體模式
11.4.2 群體智能算法之PSO算法及其在建筑設(shè)計(jì)上的應(yīng)用探索

本目錄推薦

掃描二維碼
Copyright ? 讀書網(wǎng) m.ranfinancial.com 2005-2020, All Rights Reserved.
鄂ICP備15019699號(hào) 鄂公網(wǎng)安備 42010302001612號(hào)