第1章绪论1
1.1神经网络的发展与应用1
1.2人工神经元模型2
1.3用有向图表示神经网络4
1.4网络结构及工作方式5
1.5NN的学习7
1.5.1学习方式7
1.5.2学习算法7
1.5.3学习与自适应9
习题9
参考文献10
第2章前馈网络11
2.1线性阈值单元11
2.1.1用线性阈值单元实现布尔函数11
2.1.2线性可分性12
2.1.3n维欧氏空间中m个点上可实现的线性可分函数的个数13
2.2多层前馈网络的计算能力及函数逼近15
2.3感知器的学习算法17
2.4反向传播学习算法19
2.5改进反向传播算法收敛速度的措施26
2.5.1加入动量项26
2.5.2高阶导数的利用27
2.5.3共轭梯度法27
2.5.4递推最小二乘法28
2.5.5神经元空间搜索法28
2.5.6一些其他措施30
2.6多层前馈网络作用的分析31
2.6.1线性网络32
2.6.2非线性情况33
2.7应用举例34
习题45
参考文献48
第3章径向基函数网络51
3.1φ可分性51
3.2函数逼近与内插52
3.3正规化理论53
3.4RBF网络的学习60
3.5RBF网络的一些变形63
3.6CMAC网络64
3.6.1模型结构64
3.6.2工作原理分析66
3.6.3学习算法69
3.7概率神经网络70
3.8小波网络71
3.9泛函连接网络72
3.10新一代神经元模型及其计算能力的研究74
3.10.1布尔函数的计算75
3.10.2连续输入的情况75
· · · · · · (收起)
1.1神经网络的发展与应用1
1.2人工神经元模型2
1.3用有向图表示神经网络4
1.4网络结构及工作方式5
1.5NN的学习7
1.5.1学习方式7
1.5.2学习算法7
1.5.3学习与自适应9
习题9
参考文献10
第2章前馈网络11
2.1线性阈值单元11
2.1.1用线性阈值单元实现布尔函数11
2.1.2线性可分性12
2.1.3n维欧氏空间中m个点上可实现的线性可分函数的个数13
2.2多层前馈网络的计算能力及函数逼近15
2.3感知器的学习算法17
2.4反向传播学习算法19
2.5改进反向传播算法收敛速度的措施26
2.5.1加入动量项26
2.5.2高阶导数的利用27
2.5.3共轭梯度法27
2.5.4递推最小二乘法28
2.5.5神经元空间搜索法28
2.5.6一些其他措施30
2.6多层前馈网络作用的分析31
2.6.1线性网络32
2.6.2非线性情况33
2.7应用举例34
习题45
参考文献48
第3章径向基函数网络51
3.1φ可分性51
3.2函数逼近与内插52
3.3正规化理论53
3.4RBF网络的学习60
3.5RBF网络的一些变形63
3.6CMAC网络64
3.6.1模型结构64
3.6.2工作原理分析66
3.6.3学习算法69
3.7概率神经网络70
3.8小波网络71
3.9泛函连接网络72
3.10新一代神经元模型及其计算能力的研究74
3.10.1布尔函数的计算75
3.10.2连续输入的情况75
· · · · · · (收起)
具体描述
《人工神經網絡與模擬進化計算》較係統全麵地討論瞭人工神經網絡與模擬進化計算的理論和工程應用，特彆在學習理論和網絡結構選擇、動態神經網絡、貝葉斯方法的應用以及模擬進化計算中的一些理論問題等方麵的論述更為係統深入。講解中力求講清物理概念，以便讀者深入理解一些主要方法的思路。
第2版加強瞭關於統計學習理論、核方法與支持嚮量機、自組織網絡的靈活應用，盲信號處理等方麵的內容;增加瞭神經網絡在生物信息學和金融方麵應用的實例，以及最近的一些參考文獻，以便反映這一領域的新進展;為瞭便於掌握主要內容，對章節順序也做瞭調整,模擬進化計算部分增加瞭分布估計算法一章。
用户评价
评分
##已购
评分##已购
评分 评分暂时只看的了支持向量机的那一节，图和表都是其他书上copy的—_—|||
评分暂时只看的了支持向量机的那一节，图和表都是其他书上copy的—_—|||
评分##已购
评分 评分 评分相关图书
本站所有內容均為互聯網搜索引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 tushu.tinynews.org All Rights Reserved. 求知書站 版权所有