神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析

第1章 神經(jīng)網(wǎng)絡(luò)模型評(píng)估及選擇
1.1 神經(jīng)網(wǎng)絡(luò)的泛化能力
1.2 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的一般描述
1.3 研究神經(jīng)網(wǎng)絡(luò)泛化能力的理論基礎(chǔ)
1.3.1 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則
1.3.2 結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則
1.3.3 偏差一方差分解
1.4 影響神經(jīng)網(wǎng)絡(luò)的泛化能力的具體因素
1.4.1 神經(jīng)網(wǎng)絡(luò)具有泛化能力的基本必要條件
1.4.2 噪聲的影響
1.4.3 “欠擬合”和“過(guò)擬合”
1.5 提高神經(jīng)網(wǎng)絡(luò)的泛化能力的方法
1.5.1 模型結(jié)構(gòu)選擇
1.5.2 訓(xùn)練集擴(kuò)展方法
1.5.3 提前停止
1.5.4 權(quán)值衰減
1.5.5 貝葉斯學(xué)習(xí)
1.5.6 神經(jīng)網(wǎng)絡(luò)集成
1.6 神經(jīng)網(wǎng)絡(luò)模型的評(píng)估與選擇
1.6.1 神經(jīng)網(wǎng)絡(luò)模型的評(píng)估
1.6.2 神經(jīng)網(wǎng)絡(luò)模型的選擇
本章參考文獻(xiàn)
第2章 基于BP算法的多層感知器的設(shè)計(jì)與應(yīng)用
2.1 基于BP算法的多層感知器網(wǎng)絡(luò)工作原理與主要特點(diǎn)
2.1.1 基于BP算法的多層前饋網(wǎng)絡(luò)模型
2.1.2 BP學(xué)習(xí)算法
2.1.3 BP算法的程序?qū)崿F(xiàn)
2.1.4 標(biāo)準(zhǔn)BP算法的改進(jìn)
2.2 基于BP算法的多層前饋網(wǎng)絡(luò)設(shè)計(jì)基礎(chǔ)
2.2.1 網(wǎng)絡(luò)信息容量與訓(xùn)練樣本數(shù)
2.2.2 訓(xùn)練樣本集的準(zhǔn)備
2.2.3 初始權(quán)值的設(shè)計(jì)
2.2.4 多層前饋網(wǎng)結(jié)構(gòu)設(shè)計(jì)
2.2.5 網(wǎng)絡(luò)訓(xùn)練與測(cè)試
2.3 基于BP算法的多層前饋網(wǎng)絡(luò)應(yīng)用與設(shè)計(jì)實(shí)例
2.3.1 基于BP算法的多層前饋網(wǎng)絡(luò)在催化劑配方建模中的應(yīng)用
2.3.2 基于BP算法的多層前饋網(wǎng)絡(luò)在城市年用水量預(yù)測(cè)中的應(yīng)用
2.3.3 基于BP算法的多層前饋網(wǎng)絡(luò)在煤與瓦斯突出預(yù)測(cè)中的應(yīng)用
2.3.4 基于BP算法的多層前饋網(wǎng)絡(luò)在磨煤機(jī)料位監(jiān)測(cè)中的應(yīng)用
2.3.5 基于BP算法的多層前饋網(wǎng)絡(luò)在道路安全評(píng)價(jià)中的應(yīng)用
2.3.6 基于BP算法的多層前饋網(wǎng)絡(luò)在項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)中的應(yīng)用
2.3.7 基于BP算法的多層前饋網(wǎng)絡(luò)在大氣環(huán)境質(zhì)量評(píng)價(jià)中的應(yīng)用
2.3.8 基于BP網(wǎng)絡(luò)集成的除草劑定量構(gòu)效關(guān)系模型
2.3.9 基于BP網(wǎng)絡(luò)集成的物流中心選址模型
本章參考文獻(xiàn)
第3章 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)與應(yīng)用
3.1 徑向基函數(shù)網(wǎng)絡(luò)原理與學(xué)習(xí)算法
3.1.1 正則化RBF網(wǎng)絡(luò)原理與學(xué)習(xí)算法
3.1.2 廣義RBF網(wǎng)絡(luò)原理與學(xué)習(xí)算法
3.2 RBF網(wǎng)絡(luò)的設(shè)計(jì)要點(diǎn)
3.2.1 隨機(jī)選取RBF中心
3.2.2 自組織學(xué)習(xí)選取RBF中心及網(wǎng)絡(luò)設(shè)計(jì)
3.2.3 有監(jiān)督學(xué)習(xí)選取RBF中心及網(wǎng)絡(luò)設(shè)計(jì)
3.2.4 正交最小二乘（0LS）法選取RBF中心及網(wǎng)絡(luò)設(shè)計(jì)
3.2.5 遞歸最小二乘（OLS）法選取RBF中心及網(wǎng)絡(luò)設(shè)計(jì)
3.2.6 其他方法
3.2.7 RBF網(wǎng)絡(luò)與多層感知器的特點(diǎn)與設(shè)計(jì)比較
3.3 RBF網(wǎng)絡(luò)的應(yīng)用實(shí)例
3.3.1 RBF網(wǎng)絡(luò)在液化氣銷售量預(yù)測(cè)中的應(yīng)用
3.3.2 RBF網(wǎng)絡(luò)在地表水質(zhì)評(píng)價(jià)中的應(yīng)用
3.3.3 RBF網(wǎng)絡(luò)在汽油干點(diǎn)軟測(cè)量中的應(yīng)用
3.3.4 RBF網(wǎng)絡(luò)在地下溫度預(yù)測(cè)中的應(yīng)用
3.3.5 RBF網(wǎng)絡(luò)在工程車輛自動(dòng)變速控制中的應(yīng)用
3.3.6 RBF網(wǎng)絡(luò)在人臉年齡估計(jì)中的應(yīng)用
3.3.7 RBF網(wǎng)絡(luò)在專利發(fā)展趨勢(shì)預(yù)測(cè)中的應(yīng)用
3.3.8 RBF網(wǎng)絡(luò)在圖像融合中的應(yīng)用
3.3.9 RBF網(wǎng)絡(luò)紅外光譜法用于中藥大黃樣品的真?zhèn)畏诸?br />3.3.10 RBF網(wǎng)絡(luò)在船用柴油機(jī)智能診斷中的應(yīng)用
3.3.11 RBF網(wǎng)絡(luò)在多級(jí)入侵檢測(cè)中的應(yīng)用
本章參考文獻(xiàn)
第4章 SOFM網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用
4.1 SOFM網(wǎng)絡(luò)原理與學(xué)習(xí)算法
4.2 SOFM網(wǎng)絡(luò)的設(shè)計(jì)基礎(chǔ)
4.2.1 輸出層設(shè)計(jì)
4.2.2 權(quán)值初始化問(wèn)題
4.2.3 優(yōu)勝鄰域Nj*·（t）的設(shè)計(jì)
4.2.4 學(xué)習(xí)率n（t）的設(shè)計(jì)
4.3 應(yīng)用與設(shè)計(jì)實(shí)例
4.3.1 SOFM網(wǎng)絡(luò)用于皮革外觀效果分類
4.3.2 SOFM網(wǎng)絡(luò)用于物流中心城市分類評(píng)價(jià)
4.3.3 SOFM網(wǎng)絡(luò)用于遙感影像分類
4.3.4 SOFM網(wǎng)絡(luò)用于火焰燃燒診斷
4.3.5 SOFM網(wǎng)絡(luò)在防火樹種分類中的應(yīng)用
4.3.6 SOFM在基于漢字與部件聚類的漢字認(rèn)知建模中的應(yīng)用
4.3.7 SOFM網(wǎng)絡(luò)在膨脹土分類中的應(yīng)用
4.3.8 SOFM網(wǎng)絡(luò)在水電廠技術(shù)供水系統(tǒng)故障診斷中的應(yīng)用
4.3.9 SOFM網(wǎng)絡(luò)在不同地區(qū)人力資本構(gòu)成分析中的應(yīng)用
本章參考文獻(xiàn)
第5章 LVQ網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用
5.1 LVQ網(wǎng)絡(luò)原理與學(xué)習(xí)算法
5.1.1 LVQ網(wǎng)絡(luò)工作原理
5.1.2 LVQ網(wǎng)絡(luò)的學(xué)習(xí)算法
5.2 LVQ網(wǎng)絡(luò)設(shè)計(jì)要點(diǎn)
5.2.1 競(jìng)爭(zhēng)層設(shè)計(jì)
5.2.2 權(quán)值初始化問(wèn)題
5.2.3 學(xué)習(xí)率n（t）的設(shè)計(jì)
5.3 應(yīng)用與設(shè)計(jì)實(shí)例
5.3.1 LVQ網(wǎng)絡(luò)在證券投資基金分類中的應(yīng)用
5.3.2 LVQ網(wǎng)絡(luò)在探地雷達(dá)探雷中的應(yīng)用
5.3.3 LVQ網(wǎng)絡(luò)在蘋果等級(jí)判別中的應(yīng)用
5.3.4 VQ網(wǎng)絡(luò)在胃癌組織樣品分類識(shí)別中的應(yīng)用
5.3.5 LVQ網(wǎng)絡(luò)在液壓系統(tǒng)故障診斷中的應(yīng)用
5.3.6 LVQ網(wǎng)絡(luò)在汽車信貸客戶分類中的應(yīng)用研究
5.3.7 LVQ網(wǎng)絡(luò)在土地利用／覆蓋變化探測(cè)中的應(yīng)用
5.3.8 LVQ網(wǎng)絡(luò)在周期信號(hào)識(shí)別方面的擴(kuò)展應(yīng)用
本章參考文獻(xiàn)
第6章 對(duì)偶傳播神經(jīng)網(wǎng)絡(luò)
6.1 網(wǎng)絡(luò)運(yùn)行原理及學(xué)習(xí)算法
6.1.1 網(wǎng)絡(luò)結(jié)構(gòu)及運(yùn)行原理
6.1.2 CPN的學(xué)習(xí)算法
6.2 CPN網(wǎng)的設(shè)計(jì)與改進(jìn)
6.2.1 CPN網(wǎng)的設(shè)計(jì)要點(diǎn)
6.2.2 改進(jìn)的CPN網(wǎng)
6.3 CPN網(wǎng)的應(yīng)用
6.3.1 CPN網(wǎng)在烤煙煙葉顏色模式分類中的應(yīng)用
6.3.2 CPN網(wǎng)絡(luò)的水電機(jī)組振動(dòng)故障診斷中的應(yīng)用
6.3.3 CPN網(wǎng)絡(luò)在博士學(xué)位論文質(zhì)量評(píng)估中的應(yīng)用
6.3.4 CPN網(wǎng)在人臉識(shí)別中的應(yīng)用
6.3.5 CPN網(wǎng)絡(luò)在時(shí)間序列預(yù)測(cè)問(wèn)題中的應(yīng)用
6.3.6 CPN網(wǎng)絡(luò)在棉花異性纖維識(shí)別中的應(yīng)用
本章參考文獻(xiàn)
第7章 ART網(wǎng)絡(luò)設(shè)計(jì)及應(yīng)用
7.1 ART網(wǎng)絡(luò)原理與算法
7.1.1 ART網(wǎng)絡(luò)的主要特點(diǎn)
7.1.2 ARTI型網(wǎng)絡(luò)原理與算法
……
第8章 Hopfield網(wǎng)絡(luò)的設(shè)計(jì)與應(yīng)用
第9章 時(shí)序遞歸網(wǎng)絡(luò)的設(shè)計(jì)與應(yīng)用
第10章 CMAC網(wǎng)絡(luò)的設(shè)計(jì)與應(yīng)用
第11章 支持向量機(jī)的設(shè)計(jì)與應(yīng)用
第12章 人工神經(jīng)元網(wǎng)絡(luò)設(shè)計(jì)開發(fā)平臺(tái)