人工神經(jīng)網(wǎng)絡(luò)：模型、算法及應(yīng)用

定　價：￥69.00

作　者：	何春梅
出版社：	電子工業(yè)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥61.60)

ISBN：	9787121435164	出版時間：	2022-09-01	包裝：
開本：	16開	頁數(shù)：	328	字?jǐn)?shù)：

內(nèi)容簡介

　　本書較全面地闡述了人工神經(jīng)網(wǎng)絡(luò)的理論知識，介紹了多種經(jīng)典的人工神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)、學(xué)習(xí)算法和實際應(yīng)用。本書共11章，第1章介紹人工神經(jīng)網(wǎng)絡(luò)的定義、發(fā)展、生理學(xué)機(jī)理、神經(jīng)元模型、拓?fù)浣Y(jié)構(gòu)、學(xué)習(xí)算法等；第2章介紹感知機(jī)的基本原理、學(xué)習(xí)算法及應(yīng)用；第3章介紹多層前饋神經(jīng)網(wǎng)絡(luò)的基本原理、學(xué)習(xí)算法及應(yīng)用；第4章介紹不同正則化理論、相應(yīng)神經(jīng)網(wǎng)絡(luò)及應(yīng)用；第5章介紹不同極限學(xué)習(xí)機(jī)模型、支持向量機(jī)及應(yīng)用；第6章介紹形態(tài)神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)、學(xué)習(xí)算法、魯棒性分析及應(yīng)用；第7章介紹自組織映射和核自組織映射的基本原理及應(yīng)用；第8章介紹典型卷積神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)和基本原理，闡述卷積神經(jīng)網(wǎng)絡(luò)的變體及應(yīng)用；第9章介紹基本的生成對抗網(wǎng)絡(luò)、自注意生成對抗網(wǎng)絡(luò)、進(jìn)化生成對抗網(wǎng)絡(luò)、遷移學(xué)習(xí)和對抗領(lǐng)域自適應(yīng)等網(wǎng)絡(luò)模型，闡述生成對抗網(wǎng)絡(luò)的學(xué)習(xí)算法、訓(xùn)練技巧及應(yīng)用；第10章介紹長短時記憶網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)的模型、學(xué)習(xí)算法及應(yīng)用；第11章介紹模糊神經(jīng)網(wǎng)絡(luò)，包括模糊集合和模糊邏輯的基本概念和運算，模糊神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)、性能分析、學(xué)習(xí)算法及應(yīng)用。本書可作為計算機(jī)科學(xué)與技術(shù)、軟件工程、人工智能、智能科學(xué)與技術(shù)、生物醫(yī)學(xué)工程等專業(yè)本科生和研究生的教材或參考書，也可供相關(guān)領(lǐng)域關(guān)注人工神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用的工程技術(shù)人員和科研人員學(xué)習(xí)參考。

作者簡介

　　何春梅，湘潭大學(xué)計算機(jī)學(xué)院（網(wǎng)絡(luò)空間安全學(xué)院）副教授，自碩士期間開始，研究方向一直是神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用。是中國計算機(jī)學(xué)會會員，中國人工智能學(xué)會會員，中國計算機(jī)學(xué)會人工智能專委會委員，中國人工智能學(xué)會模式識別專委會委員、中國人工智能學(xué)會知識工程與分布式智能專委會青年委員，湖南省人工智能學(xué)會理事，湘潭市首批高層次人才稱號，近年承擔(dān)國家自然科學(xué)基金項目7項（主持1項，參與6項），主持省級項目3項，主持廳級項目4項，第一作者發(fā)表SCI/EI檢索期刊論文16篇，目前為IEEE Trans.On Fuzzy systems， Journal of Intelligent and Fuzzy Systems， International Journal of Machine Learning and Cybernetics， Frontiers of Computer Science等國際期刊審稿人。

圖書目錄

第1章緒論\t1
1．1　什么是人工神經(jīng)網(wǎng)絡(luò)\t1
1．2　發(fā)展歷史\t2
1．3　人腦\t4
1．4　Hebb法則\t7
1．5　神經(jīng)元模型\t7
1．6　神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)\t9
1．7　知識表示\t11
1．8　神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法\t15
1．9　神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)任務(wù)\t17
1．10　小結(jié)\t20
參考文獻(xiàn)\t21
第2章感知機(jī)\t22
2．1　引言\t22
2．2　實例引入\t22
2．3　Rosenblatt感知機(jī)\t23
2．3．1 感知機(jī)的結(jié)構(gòu)\t23
2．3．2 單層感知機(jī)與多層感知機(jī)\t23
2．3．3 感知機(jī)的學(xué)習(xí)\t27
2．4　最小均方誤差\t27
2．4．1 線性回歸問題引入\t27
2．4．2 最小均方算法\t28
2．5　實戰(zhàn)Iris模式分類\t30
2．6　小結(jié)\t31
參考文獻(xiàn)\t32
習(xí)題\t32
第3章多層前饋神經(jīng)網(wǎng)絡(luò)\t33
3．1　引言\t33
3．2　多層前饋神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)\t33
3．3　BP神經(jīng)網(wǎng)絡(luò)\t35
3．3．1 BP神經(jīng)網(wǎng)絡(luò)的介紹\t35
3．3．2 BP算法\t35
3．3．3 編程實戰(zhàn)\t38
3．4　RBF神經(jīng)網(wǎng)絡(luò)\t41
3．4．1 什么是RBF神經(jīng)網(wǎng)絡(luò)\t41
3．4．2 RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程\t42
3．4．3 RBF神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的區(qū)別\t42
3．5　泛化能力\t43
3．5．1 什么是泛化\t43
3．5．2 如何提高泛化能力\t44
3．6　函數(shù)逼近\t46
3．6．1 通用逼近定理\t46
3．6．2 逼近誤差的邊界\t46
3．6．3 維數(shù)災(zāi)難\t47
3．7　BP算法的優(yōu)點和缺點\t48
3．7．1 BP算法的優(yōu)點\t48
3．7．2 BP算法的缺點\t49
3．8　人臉識別應(yīng)用\t50
3．8．1 人臉圖像的小波變換\t52
3．8．2 BP神經(jīng)網(wǎng)絡(luò)的分類識別\t53
3．8．3 RBF神經(jīng)網(wǎng)絡(luò)的分類識別\t53
3．8．4 實驗結(jié)果\t54
3．9　小結(jié)\t55
參考文獻(xiàn)\t55
習(xí)題\t56
第4章正則化理論\t57
4．1　引言\t57
4．2　良態(tài)問題的Hadamard條件\t58
4．3　正則化理論\t58
4．4　正則化網(wǎng)絡(luò)\t66
4．5　廣義RBF神經(jīng)網(wǎng)絡(luò)\t66
4．6　正則化最小二乘估計\t69
4．7　半監(jiān)督學(xué)習(xí)\t71
4．8　正則化參數(shù)估計\t71
4．9　流形正則化\t75
4．10　廣義正則化理論\t76
4．11　用半監(jiān)督學(xué)習(xí)對模式分類的
實驗\t77
4．12　小結(jié)\t79
參考文獻(xiàn)\t80
習(xí)題\t81
第5章極限學(xué)習(xí)機(jī)模型及應(yīng)用\t84
5．1　引言\t84
5．2　預(yù)備知識\t84
5．2．1 核方法\t84
5．2．2 支持向量機(jī)\t86
5．3　極限學(xué)習(xí)機(jī)模型\t91
5．4　核極限學(xué)習(xí)機(jī)\t94
5．5　正則極限學(xué)習(xí)機(jī)\t95
5．6　基于正則極限學(xué)習(xí)機(jī)的圖像復(fù)原\t97
5．7　基于正規(guī)方程式的核極限學(xué)習(xí)機(jī)\t99
5．7．1 模型結(jié)構(gòu)與算法\t99
5．7．2 基于NE-KELM的模式識別實驗\t101
5．8　基于共軛梯度的核極限學(xué)習(xí)機(jī)\t103
5．8．1 共軛梯度法\t104
5．8．2 模型結(jié)構(gòu)與算法\t104
5．8．3 基于CG-KELM的圖像復(fù)原實驗\t105
5．9　流形正則化核極限學(xué)習(xí)機(jī)\t107
5．9．1 流形正則化核極限學(xué)習(xí)機(jī)的模型結(jié)構(gòu)與算法\t107
5．9．2 基于MR-KELM的糖尿病檢測實驗\t107
5．10　基于核極限學(xué)習(xí)機(jī)的醫(yī)療診斷系統(tǒng)\t108
5．10．1 PL-KELM的流程\t108
5．10．2 基于PL-KELM的模式識別實驗\t110
5．10．3 腫瘤細(xì)胞識別系統(tǒng)\t111
5．11　小結(jié)\t112
參考文獻(xiàn)\t113
習(xí)題\t114
第6章形態(tài)神經(jīng)網(wǎng)絡(luò)\t115
6．1　引言\t115
6．2　形態(tài)學(xué)算法基礎(chǔ)\t115
6．2．1 數(shù)學(xué)形態(tài)學(xué)的定義\t115
6．2．2 數(shù)學(xué)形態(tài)濾波\t116
6．3　形態(tài)神經(jīng)網(wǎng)絡(luò)模型\t117
6．4　形態(tài)聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)模型及其攝動魯棒性\t118
6．4．1 MAM神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)基礎(chǔ)與相關(guān)定義\t118
6．4．2 兩種MAM神經(jīng)網(wǎng)絡(luò)的攝動魯棒性\t119
6．5　進(jìn)化形態(tài)神經(jīng)網(wǎng)絡(luò)\t123
6．5．1 進(jìn)化形態(tài)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法\t124
6．5．2 基于進(jìn)化形態(tài)神經(jīng)網(wǎng)絡(luò)的圖像復(fù)原\t125
6．6　小結(jié)\t127
參考文獻(xiàn)\t127
習(xí)題\t129
第7章自組織映射\t130
7．1　引言\t130
7．2　兩個基本的特征映射模型\t131
7．3　SOM概述\t132
7．4　特征映射的性質(zhì)\t137
7．5　核SOM概述\t142
7．6　小結(jié)\t148
參考文獻(xiàn)\t149
習(xí)題\t149
第8章卷積神經(jīng)網(wǎng)絡(luò)模型及應(yīng)用\t151
8．1　引言\t151
8．2　卷積神經(jīng)網(wǎng)絡(luò)模型\t152
8．2．1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)和原理\t152
8．2．2 LeNet-5\t159
8．2．3 AlexNet\t160
8．2．4 VGGNet\t167
8．2．5 Inception\t170
8．2．6 ResNet\t179
8．2．7 Inception-ResNet\t188
8．3　基于卷積神經(jīng)網(wǎng)絡(luò)的白細(xì)胞分類\t190
8．3．1 白細(xì)胞圖像去噪\t191
8．3．2 基于k-Means顏色聚類算法的顯微白細(xì)胞圖像分割\t194
8．3．3 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的顯微
白細(xì)胞圖像識別\t195
8．4　結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)的人臉識別\t200
8．4．1 卷積神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練\t201
8．4．2 正則極限學(xué)習(xí)機(jī)進(jìn)行圖像分類\t202
8．4．3 基于CNN-RELM的人臉識別模型實驗與對比分析\t203
8．5　基于深度遷移學(xué)習(xí)的腫瘤細(xì)胞圖像識別\t206
8．5．1 引言\t206
8．5．2 正則化與遷移學(xué)習(xí)\t207
8．5．3 基于深度遷移學(xué)習(xí)的腫瘤細(xì)胞圖像識別\t208
8．6 小結(jié)\t212
參考文獻(xiàn)\t212
習(xí)題\t213
第9章生成對抗網(wǎng)絡(luò)模型\t214
9．1　引言\t214
9．2　預(yù)備知識\t214
9．2．1 GAN基礎(chǔ)模型\t215
9．2．2 GAN訓(xùn)練\t216
9．2．3 平衡狀態(tài)\t216
9．2．4 為什么學(xué)習(xí)GAN\t217
9．2．5 GAN概述\t218
9．2．6 顯式密度模型\t218
9．2．7 隱式密度模型\t218
9．2．8 GAN與其他生成算法比較\t218
9．3　GAN的基礎(chǔ)理論\t219
9．3．1 GAN的基礎(chǔ)――對抗訓(xùn)練\t219
9．3．2 損失函數(shù)\t220
9．3．3 訓(xùn)練過程\t220
9．3．4 生成器和鑒別器\t221
9．3．5 目標(biāo)沖突\t222
9．3．6 混淆矩陣\t222
9．3．7 GAN訓(xùn)練算法\t223
9．4　訓(xùn)練和常見挑戰(zhàn)\t223
9．4．1 評價\t223
9．4．2 評價框架\t224
9．4．3 Inception Score\t225
9．4．4 Frechet Inception Distance（FID）\t225
9．4．5 訓(xùn)練挑戰(zhàn)\t226
9．4．6 增加網(wǎng)絡(luò)深度\t226
9．4．7 各種GAN游戲設(shè)置\t227
9．4．8 什么時候停止訓(xùn)練\t230
9．5　訓(xùn)練技巧\t231
9．5．1 輸入標(biāo)準(zhǔn)化\t231
9．5．2 批量標(biāo)準(zhǔn)化\t231
9．5．3 理解標(biāo)準(zhǔn)化\t231
9．5．4 計算BN\t232
9．5．5 梯度懲罰\t232
9．5．6 多訓(xùn)練鑒別器\t232
9．5．7 避免稀疏梯度\t233
9．5．8 使用軟標(biāo)簽和帶噪聲的標(biāo)簽\t233
9．6　自注意生成對抗網(wǎng)絡(luò)\t233
9．6．1 注意力\t233
9．6．2 自注意力\t235
9．6．3 核心代碼\t236
9．7　進(jìn)化生成對抗網(wǎng)絡(luò)\t237
9．7．1 基本介紹\t237
9．7．2 動機(jī)\t237
9．7．3 進(jìn)化算法\t238
9．7．4 生成的圖像\t240
9．8　生成對抗網(wǎng)絡(luò)和遷移學(xué)習(xí)\t240
9．8．1 遷移學(xué)習(xí)的概念\t240
9．8．2 為什么要遷移學(xué)習(xí)\t241
9．8．3 遷移學(xué)習(xí)的基本形式\t242
9．8．4 GAN和遷移學(xué)習(xí)的聯(lián)系\t243
9．9　對抗領(lǐng)域自適應(yīng)用于腫瘤圖像診斷\t243
9．9．1 對抗領(lǐng)域自適應(yīng)網(wǎng)絡(luò)模型\t244
9．9．2 特征提取器\t245
9．9．3 數(shù)據(jù)集和實驗設(shè)置\t246
9．9．4 結(jié)果分析與討論\t246
9．9．5 探討\t247
9．10　小結(jié)\t247
參考文獻(xiàn)\t247
習(xí)題\t249
第10章長短時記憶網(wǎng)絡(luò)\t250
10．1　引言\t250
10．2　RNN\t250
10．2．1 RNN的結(jié)構(gòu)模型\t250
10．2．2 RNN模型的優(yōu)缺點\t251
10．3　LSTM的結(jié)構(gòu)模型與實現(xiàn)\t252
10．4　LSTM的學(xué)習(xí)算法\t253
10．5　LSTM的網(wǎng)絡(luò)方程\t255
10．6　LSTM的實際應(yīng)用\t257
10．6．1 數(shù)據(jù)預(yù)處理\t257
10．6．2 建立模型與訓(xùn)練\t258
10．6．3 結(jié)果展示\t259
10．7　小結(jié)\t259
參考文獻(xiàn)\t260
習(xí)題\t260
第11章模糊神經(jīng)網(wǎng)絡(luò)\t261
11．1　緒論\t261
11．1．1 模糊集合、模糊邏輯理論及其運算\t261
11．1．2 模糊邏輯推理\t264
11．1．3 FNN概述\t267
11．2　訓(xùn)練模式對的攝動對MFNN的影響\t271
11．2．1 FNN中的攝動魯棒性\t271
11．2．2 MFNN及其學(xué)習(xí)算法\t273
11．2．3 分析訓(xùn)練模式對的攝動對MFNN的影響\t275
11．3　折線FNN的泛逼近性\t279
11．3．1 相關(guān)記號與術(shù)語\t279
11．3．2 折線模糊數(shù)\t280
11．3．3 三層前饋折線FNN\t282
11．3．4 折線FNN對模糊函數(shù)的通用逼近性\t285
11．3．5 輸入為一般模糊數(shù)的折線FNN的通用逼近性\t291
11．3．6 一般折線FNN的通用逼近性分析\t296
11．4　模糊化神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法\t301
11．4．1 折線FNN的學(xué)習(xí)算法\t302
11．4．2 折線FNN的模糊學(xué)習(xí)算法\t305
11．4．3 正則FNN的學(xué)習(xí)算法\t312
11．5　小結(jié)\t317
參考文獻(xiàn)\t318
習(xí)題\t319