下载频道  >  lengwuqin的资源
  • 人工神经网络实用教程

    目录 前言 第1章 人工神经网络概述 1.1 神经网络的基本概念 1.1.1 生物神经元的结构与功能特点 1.1.2 人工神经元模型 1.1.3 神经网络的结构及工作方式 1.1.4 神经网络的学习 1.2 神经网络的特点及其应用 1.2.1 神经网络的特点 1.2.2 神经网络的应用领域 练习题 第2章 实用神经网络模型与学习算法 2.1 MATLAB快速入门 2.1.1 MATLAB界面组成 2.1.2 MATLAB基本运算 2.1.3 MATLAB绘图函数 2.2 感知器神经网络模型与学习算法 2.2.1 单层感知器 2.2.2 单层感知器的学习算法 2.2.3 单层感知器的MATLAB实现 2.2.4 多层感知器 2.3 线性神经网络模型与学习算法 2.3.1 线性神经元网络模型 2.3.2 线性神经网络的学习算法 2.3.3 线性神经网络的MATLAB实现 2.4 BP神经网络模型与学习算法 2.4.1 BP神经网络模型 2.4.2 BP网络的标准学习算法 2.4.3 BP神经网络学习算法的MATLAB实现 2.5 径向基函数神经网络模型与学习算法 2.5.1 RBF神经网络模型 2.5.2 RBF网络的学习算法 2.5.3 RBF网络学习算法的MATLAB实现 2.6 自组织神经网络模型与学习算法 2.6.1 自组织特征映射神经网络结构 2.6.2 自组织特征映射网络的学习算法 2.6.3 自组织网络学习算法的MATLAB实现 2.7 学习向量量化(LVQ)神经网络模型与学习算法 2.7.1 LVQ神经网络结构 2.7.2 LVQ神经网络的学习算法 2.7.3 LVQ神经网络学习算法的MATLAB实现 2.8 Elman神经网络算法模型与学习算法 2.8.1 Elman神经网络结构 2.8.2 Elman神经网络学习算法 2.8.3 Elman神经网络学习算法的MATLAB实现 2.9 Hopfield神经网络模型与学习算法 2.9.1 离散Hopfield神经网络 2.9.2 连续Hopfield神经网络 2.9.3 Hopfield神经网络的MATLAB实现 2.10 Boltzmann神经网络模型与学习算法 2.10.1 Boltzmann机的网络结构 2.10.2 Boltzmann机学习算法 2.11 模糊神经网络 2.11.1 模糊神经网络主要形式 2.11.2 模糊神经网络模型 2.11.3 模糊神经网络学习方法 2.11.4 模糊逻辑MATLAB函数 练习题 第3章 神经网络优化方法 3.1 BP网络学习算法的改进 3.1.1 消除样本输入顺序影响的改进算法 3.1.2 附加动量的改进算法 3.1.3 采用自适应调整参数的改进算法 …… 第4章 nnToolKit神经网络工具包 第5章 MATLAB混合编程技术 第6章 混合编程案例 附录 2NDN神经网络建模仿真工具 参考文献

    2015-07-05
    48
  • 精通MATLAB神经网络.朱凯,王正林.高清

    第一篇 MATLAB入门篇  第1章 MATLAB概述   1.1 MATLAB的产生与发展   1.2 MATLAB的优势与特点   1.3 MATLAB系统的构成   1.4 MATLAB桌面操作环境    1.4.1 MATLAB启动和退出    1.4.2 MATLAB主菜单及功能    1.4.3 MATLAB命令窗口    1.4.4 MATLAB工作空间    1.4.5 M文件编辑/调试器    1.4.6 图形窗口    1.4.7 MATLAB文件管理    1.4.8 MATLAB帮助   1.5 MATLAB的工具箱   1.6 小结  第2章 MATLAB计算基础   2.1 MATLAB数值类型   2.2 关系运算和逻辑运算   2.3 矩阵及其运算    2.3.1 矩阵的创建    2.3.2 矩阵的运算   2.4 复数及其运算    2.4.1 复数表示    2.4.2 复数绘图    2.4.3 复数操作函数   2.5 符号运算    2.5.1 符号运算概述    2.5.2 常用的符号运算   2.6 小结  第3章 MATLAB绘图入门   3.1 MATLAB中绘图的基本步骤   3.2 在工作空间直接绘图   3.3 利用绘图函数绘图    3.3.1 二维图形    3.3.2 三维图形   3.4 图形的修饰   3.5 小结  第4章 MATLAB编程入门   4.1 MATLAB编程概述   4.2 MATLAB程序设计原则   4.3 M文件   4.4 MATLAB程序流程控制   4.5 MATLAB中的函数及调用    4.5.1 函数类型    4.5.2 函数参数传递   4.6 函数句柄   4.7 MATLAB程序调试    4.7.1 常见程序错误    4.7.2 调试方法    4.7.3 调试工具    4.7.4 M文件分析工具    4.7.5 Profiler分析工具   4.8 MATLAB程序设计技巧    4.8.1 嵌套计算    4.8.2 循环计算    4.8.3 使用例外处理机制    4.8.4 使用全局变量    4.8.5 通过varargin传递参数   4.9 小结  第5章 Simulink仿真入门   5.1 Simulink仿真概述    5.1.1 Simulink的启动与退出    5.1.2 Simulink模块库   5.2 Simulink仿真模型及仿真过程   5.3 Simulink模块的处理    5.3.1 Simulink模块参数设置    5.3.2 Simulink模块基本操作    5.3.3 Simulink模块连接   5.4 Simulink仿真设置    5.4.1 仿真器参数设置    5.4.2 工作空间数据导入/导出    5.4.2 设置   5.5 Simulink仿真举例   5.6 小结 第二篇 神经网络提高篇  第6章 MATLAB神经网络工具箱概述  第7章 MATLAB神经网络GUI工具  第8章 感知器神经网络  第9章 线性神经网络  第10章 BP神经网络  第11章 径向基神经网络  第12章 自组织神经网络  第13章 反馈神经网络 第三篇 神经网络综合实战篇  第14章 神经网络优化  第15章 神经网络控制  第16章 神经网络故障诊断  第17章 神经网络预测  第18章 Simulink中的神经网络设计  第19章 自定义神经网络 附录A 工具箱函数列表 参考文献

    2015-07-05
    50
  • MATLAB神经网络应用设计(第2版)

    目录 前言 第1章 MATLAB及神经网络的概述 1.1 MATLAB简介 1.1.1 MATLAB的发展史 1.1.2 MATLAB的主要功能 1.1.3 MATLAB的语言特点 1.1.4 MATLABR2011a新功能 1.2 MATLAB工作环境 1.2.1 命令窗口 1.2.2 历史窗口 1.2.3 工作空间 1.2.4 数组编辑窗口 1.2.5 当前文件夹 1.2.6 搜索路径 1.3 帮助系统. 1.3.1 文本格式帮助文件 1.3.2 PDF格式帮助文件 1.3.3 帮助交互界面 1.4 MATLAB的通用命令 1.5 MATLAB的数值 1.6 MATLAB的变量 1.7 MATLAB矩阵处理 1.7.1 矩阵的操作 1.7.2 矩阵与数组区别 1.8 M文件 1.8.1 脚本文件 1.8.2 函数文件 1.8.3 M文件的组成 1.9 MATLAB的流程控制结构 1.9.1 分支结构 1.9.2 循环结构. 1.9.4 break结构. 1.10 神经网络的基本概念 1.10.1 生物神经元的结构与功能特点 1.10.2 人工神经元模型 1.10.3 神经网络的结构及工作方式 1.10.4 神经元的数学模型 1.10.5 神经元的网络模型 1.10.6 神经网络的学习 1.11 神经网络的特点 1.12 神经网络的发展 1.13 神经网络的研究内容 1.14 神经网络的应用 第2章神经网络工具箱函数 2.1 感知器神经网络工具箱函数 2.1.1 创建函数 2.1.2 初始化函数 2.1.3 显示函数 2.1.4 仿真函数 2.1.5 性能函数 2.1.6 训练函数 2.1.7 学习函数 2.1.8 传递函数 2.2 线性神经网络工具箱函数 2.2.1 创建函数 2.2.2 学习函数 2.2.3 传输函数 2.2.4 权积函数 2.2.5 初始化函数 2.3 BP神经网络工具箱函数 2.3.1 创建函数 2.3.2 传递函数 2.3.3 MATLAB的发展史学习函数 2.3.4 性能函数 2.3.5 训练函数 2.3.6 显示函数 2.4 径向基神经网络工具箱函数 2.4.1 创建函数 2.4.2 变换函数 2.4.3 传递函数 2.4.4 距离函数 2.5 自组织神经网络工具箱函数 2.5.1 创建函数 …… 第3章 前向型神经网络 第4章 反馈型神经网络 第5章 竞争型神经网络 第6章 神经网络的控制系统预测及诊断 第7章 神经网络图形用户接口 第8章 神经网络的Simulink 第9章 自定义神经网络 参考文献

    2015-07-05
    31
  • MATLAB神经网络30个案例分析源码

    《MATLAB神经网络30个案例分析》一书源码!

    2015-07-05
    9
  • MATLAB神经网络30个案例分析

    第1章 P神经网络的数据分类——语音特征信号分类 第2章 BP神经网络的非线性系统建模——非线性函数拟合 第3章 遗传算法优化BP神经网络——非线性函数拟合 第4章 神经网络遗传算法函数极值寻优——非线性函数极值寻优 第5章 基于BP_Adaboost的强分类器设计——公司财务预警建模 第6章 PID神经元网络解耦控制算法——多变量系统控制 第7章 RBF网络的回归——非线性函数回归的实现 第8章 GRNN的数据预测——基于广义回归神经网络的货运量预测 第9章 离散Hopfield神经网络的联想记忆——数字识别 第10章 离散Hopfield神经网络的分类——高校科研能力评价 第11章 连续Hopfield神经网络的优化——旅行商问题优化计算 第12章 SVM的数据分类预测——意大利葡萄酒种类识别 第13章 SVM的参数优化——如何更好的提升分类器的性能 第14章 SVM的回归预测分析——上证指数开盘指数预测 第15章 SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测 第16章 自组织竞争网络在模式分类中的应用——患者癌症发病预测 第17章SOM神经网络的数据分类——柴油机故障诊断 第18章Elman神经网络的数据预测——电力负荷预测模型研究 第19章 概率神经网络的分类预测——基于PNN的变压器故障诊断 第20章 神经网络变量筛选——基于BP的神经网络变量筛选 第21章 LVQ神经网络的分类——乳腺肿瘤诊断 第22章 LVQ神经网络的预测——人脸朝向识别 第23章 小波神经网络的时间序列预测——短时交通流量预测 第24章 模糊神经网络的预测算法——嘉陵江水质评价 第25章 广义神经网络的聚类算法——网络入侵聚类 第26章 粒子群优化算法的寻优算法——非线性函数极值寻优 第27章 遗传算法优化计算——建模自变量降维 第28章 基于灰色神经网络的预测算法研究——订单需求预测 第29章 基于Kohonen网络的聚类算法——网络入侵聚类 第30章 神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类

    2015-07-05
    30
  • 神经网络理论与MATLAB7实现

    第1章 概述 1.1 MATLAB语言简介 1.1.1 MATLAB概述 1.1.2 MATLAB语言特点 1.1.3 MATLAB 7的安装 1.1.4 MATLAB 7的新特点 1.1.5 MATLAB 7的新产品及更新产品 1.1.6 Simulink 6.0的新特点 1.2 MATLAB快速入门 1.2.1 命令行窗口 1.2.2 其他重要窗口 1.2.3 Editor/Debugger窗口 1.2.4 MATLAB帮助系统 1.2.5 神经网络工具箱快速入门 1.3 神经网络发展史 1.3.1 初期阶段 1.3.2 停滞期 1.3.3 黄金时期 1.3.4 发展展望 1.4 神经网络模型 1.4.1 神经元结构模型 1.4.2 神经网络的互连模式 1.5 神经网络的特性及实现 1.6 小结 第2章 神经网络工具箱函数及实例 2.1 概述 2.2 神经网络工具箱中的通用函数 2.2.1 神经网络仿真函数sim 2.2.2 神经网络训练及学习函数 2.2.3 神经网络初始化函数 2.2.4 神经网络输入函数 2.2.5 神经网络传递函数 2.2.6 其他重要函数 2.3 感知器的神经网络工具箱函数 2.3.1 感知器创建函数 2.3.2 显示函数 2.3.3 性能函数 2.4 BP网络的神经网络工具箱函数 2.4.1 BP网络创建函数 2.4.2 神经元上的传递函数 2.4.3 BP网络学习函数 2.4.4 BP网络训练函数 2.4.5 性能函数 2.4.6 显示函数 2.5 线性网络的神经网络工具箱函数 2.5.1 线性网络创建和设计函数 2.5.2 学习函数 2.6 自组织竞争网络的神经网络工具箱函数 2.6.1 神经网络创建函数 2.6.2 传递函数 2.6.3 距离函数 2.6.4 学习函数 2.6.5 初始化函数 2.6.6 权值函数 2.6.7 显示函数 2.6.8 结构函数 2.7 径向基网络的神经网络工具箱函数 2.7.1 神经网络创建函数 2.7.2 转换函数 2.7.3 传递函数 2.8 反馈网络的神经网络工具箱函数 2.8.1 Hopfield网络的工具箱函数 2.8.2 Elman网络的工具箱函数 2.9 小结 第3章 前向型神经网络理论及MATLAB实现 3.1 感知器网络及MATLAB实现 3.1.1 单层感知器网络 3.1.2 多层感知器 3.2 BP网络及MATLAB实现 3.2.1 BP网络理论 3.2.2 BP网络的MATLAB设计 3.3 线性神经网络及MATLAB实现 3.3.1 线性神经网络的结构 3.3.2 线性神经网络的学习 3.3.3 线性网络的MATLAB仿真 3.4 径向基函数网络及MATLAB实现 3.4.1 径向基网络结构 3.4.2 径向基函数的学习过程 3.4.3 RBF网络应用实例 3.4.4 基于RBF网络的非线性滤波 3.4.5 基于GRNN的函数逼近 3.4.6 基于概率神经网络的分类 3.5 GMDH网络及MATLAB实现 3.5.1 GMDH网络理论 3.5.2 GMDH网络的训练 3.5.3 基于GMDH网络的预测 3.6 小结 第4章 反馈型神经网络理论及MATLAB实现 4.1 Elman神经网络及应用 4.1.1 Elman神经网络结构 4.1.2 Elman神经网络的学习过程 4.1.3 Elman神经网络的工程应用 4.1.4 基于Elman网络的空调负荷预测 4.2 Hopfield神经网络及MATLAB实现 4.2.1 Hopfield网络描述 4.2.2 Hopfield网络的学习过程 4.2.3 几个重要结论 4.2.4 Hopfield网络的MATLAB开发 4.2.5 基于Hopfield网络的数字识别 4.3 CG网络模型及应用 4.3.1 CG神经网络理论 4.3.2 基于CG网络的有限元分析 4.4 盒中脑(BSB)模型及MATLAB实现 4.4.1 BSB神经网络模型描述 4.4.2 BSB的MATLAB实现 4.5 双向联想记忆(BAM)及MATLAB实现 4.5.1 Kosko型BAM网络模型 4.5.2 BAM网络的实例分析 4.6 回归BP网络及应用 4.6.1 回归BP网络概述 4.6.2 基于回归BP网络的房价预测 4.7 Boltzmann机网络及仿真 4.7.1 BM网络的基本结构 4.7.2 BM模型的工作规则和学习规则 4.7.3 BM网络的MATLAB仿真 4.8 小结 第5章 自组织与LVQ神经网络理论及MATLAB实现 5.1 自组织竞争网络及MATLAB实现 5.1.1 基本竞争型神经网络概述 5.1.2 自组织竞争网络的应用 5.2 自组织特征映射(SOM)神经网络及MATLAB实现 5.2.1 SOM网络的结构 5.2.2 SOM网络学习算法 5.2.3 基于SOM网络的土壤分类 5.2.4 基于SOM网络的人口分类 5.3 自适应共振理论模型(ART)及MATLAB实现 5.3.1 ART-1型网络模型描述 5.3.2 ART-1网络的学习及工作过程 5.3.3 ART-1网络的应用实例 5.4 学习矢量量化(LVQ)神经网络及MATLAB实现 5.4.1 LVQ网络的结构 5.4.2 LVQ网络的学习规则 5.4.3 基于LVQ网络的模式识别 5.5 对向传播网络(CPN)及MATLAB实现 5.5.1 CPN概述 5.5.2 CPN应用实例 5.6 小结 第6章 图形用户界面GUI 第7章 神经网络控制理论及应用设计 第8章 基于神经网络的故障诊断 第9章 基于神经网络的预测 第10章 基于神经网络的模糊控制 参考文献

    2015-07-05
    49
  • 人工神经网络导论

    目录 第一章 引言 1.1 人工神经网络的提出 1.1.1 智能与人工智能 1.1.2 物理符号系统 1.1.3 联接主义观点 1.1.4 两种模型的比较 1.2 人工神经网络的特点 1.2.1 人工神经网络的概念 1.2.2 学习能力 1.2.3 基本特征的自动提取 1.2.4 信息的分布存放 1.2.5 适用性问题 1.3 历史回顾 1.3.1 萌芽期 1.3.2 第一高潮期 1.3.3 反思期 1.3.4 第二高潮期 1.3.5 再认识与应用研究期 练习题 第二章 人工神经网络基础 2.1 生物神经网络 2.2 人工神经元 2.2.1 人工神经元的基本构成 2.2.2 激活函数(ActivationFunction) 2.2.3 M-P模型 2.3 A.工神经网络的拓扑特性 2.3.1 联接模式 2.3.2 网络的分层结构 2.4 存储与映射 2.5 人工神经网络的训练。 2.5.1 无导师学习 2.5.2 有导师学习 练习题 第三章 感知器 3.1 感知器与人工神经网络的早期发展 3.2 感知器的学习算法 3.2.1 离散单输出感知器训练算法 3.2.2 离散多输出感知器训练算法 3.2.3 连续多输出感知器训练算法 3.3 线性不可分问题 3.3.1 异或(Exclusive-0R)问题 3.3.2 线性不可分问题的克服 练习题 第四章 BP网络 4.1 概述 4.2 基本BP算法 4.2.1 网络的构成 4.2.2 训练过程概述 4.2.3 误差传播分析 4.2.4 基本的BP算法 4.3 算法的改进 4.4 算法的实现 4.5 算法的理论基础 4.6 几个问题的讨论 练习题 第五章 对传网 5.1 网络结构 5.2 网络的正常运行 5.2.1 Kohonen层 5.2.2 Grossberg层 5.3 Kohonen层的训练 5.3.1 输入向量的预处理 5.3.2 训练 5.4 Kohonen层联接权的初始化方法 5.5 Grossberg层的训练 5.6 补充说明 练习题 第六章 非确定方法 6.1 基本的非确定训练算法 6.2 模拟退火算法 6.3 Cauchy训练 6.4 相关的几个问题 练习题一 第七章 循环网络 7.1 循环网络的组织 7.2 稳定性分析 7.3 统计Hopfield网与Boltzmann机 7.4 双联存储器的结构 7.5 异相联存储 7.6 其他的双联存储器 7.7 Hopfield网用于解决TSP问题 练习题 第八章 自适应共振理论 8.1 ART的结构 8.2 ART的初始化 8.2.1 T的初始化 8.2.2 B的初始化 8.2.3 p的初始化 8.3 ART的实现 练习题 参考文献

    2015-07-05
    23
  • 神经网络原理

    第1章 导言 第2章 学习过程 第3章 单层感知器 第4章 多层感知器 第5章 径向基函数网络 第6章 支持向量机 第7章 委员会机器 第8章 主分量分析 第9章 自组织映射 第10章 信息论模型 第11章 植根于统计力学的随机机器和它们的逼近 第12章 神经动态规划 第13章 使用前馈网络的时序处理 第14章 神经动力学 第15章 动态驱动的递归网络 后记 参考文献 索引

    2015-07-05
    50
  • 神经网络设计

    第1章 绪论 1.1 目的 1.2 历史 1.3 应用 1.4 生物学的启示 参考文献 第2章 神经元模型和网络结构 2.1 目的 2.1 理论和实例 2.2.1 符号 2.2.2 神经元模型 2.2.3 网络结构 2.3 小结 2.4 例题 2.5 结束语 习题 第3章 一个说明性实例 3.1 目的 3.2 理论和实例 3.2.1 问题描述 .3.2.2 感知机 3.2.3 hamming网络 3.2.4 hopfield网络 3.3 结束语 习题 第4章 感知机学习规则 4.1 目的 4. 2 理论和实例 4.2.1 学习规则 4.2.2 感知机的结构 4.2.3 感知机学习规则 4.2.4 收敛性证明 4.3 小结 4.4 例题 4.5 结束语 参考文献 习题 第5章 信号和权值向量空间 5.1 目的 5.2 理论和实例 5.2.1 线性向量空间 5.2.2 线性无关 5.2.3 生成空间 5.2.4 内积 5.2.5 范数 5.2.6 正交性 5.2.7 向量展开式 5.3 小结 5.4 例题 5.5 结束语 参考文献 习题 第6章 神经网络中的线性变换 6. 1 目的 6.2 理论和实例 6.2.1 线性变换 6.2.2 矩阵表示 6.2. 3 基变换 6.2. 4 特征值和特征向量 6.3 小结 6.4 例题 6.5 结束语 参考文献 习题 第7章 有监督的hebb学习 7.1 目的 7.2 理论和实例 7.2.1 线性联想器 7.2.2 hebb规则 7.2.3 仿逆规则 7.2.4 应用 7.2.5 hebb学习的变形 7.3 小结 7.4 例题 7.5 结束语 参考文献 习题 第8章 性能曲面和最优点 8.1 目的 8.2 理论和实例 8.2.1 泰勒级数 8.2.2 方向导数 8.2.3 极小点 8.2.4 优化的必要条件 8.2.5 二次函数 8.3 小结 8.4 例题 8.5 结束语 参考文献 习题 第9章 性能优化 9.1 目的 9.2 理论和实例 9.2.1 最速下降法 9.2.2 牛顿法 9.2.3 共扼梯度法 9.3 小结 9.4 例题 9.5 结束语 参考文献 习题 第10章 widrow-hoff学习算法 10.1 目的 10.2 理论和实例 10.2.1 adaline网络 10.2.2 均方误差 10.2.3 lms算法 10.2.4 收敛性分析 10.2.5 自适应滤波 10.3 小结 10.4 例题 10.5 结束语 参考文献 习题 第11章 反向传播 11.1 目的 11.2 理论和实例 11.2.1 多层感知机 11.2.2 反向传播算法 11.2.3 例子 11.2.4 反向传播 11.3 小结 11.4 例题 11.5 结束语 参考文献 习题 第12章 反向传播算法的变形 12.1 目的 12.2 理论和实例 12.2.1 bp算法的缺点 12.2.2 bp算法的启发式改进 12.2.3 数值优化技术 12.3 小结 12.4 例题 12.5 结束语 参考文献 习题 第13章 联想学习 13.1 目的 13.2 理论和实例 13.2.1 简单联想网络 13.2.2 无监督的hebb规则 13.2.3 简单的识别网络 13.2.4 instar规则 13.2.5 简单回忆网络 13.2.6 outstar规则 13.3 小结 13.4 例题 13.5 结束语 参考文献 习题 第14章 竞争网络 14.1 目的 14.2 理论和实例 14.2.1 hamming网络 14.2.2 竞争层 14.2.3 生物学意义上的竞争层 14.2.4 自组织特征图 14.2.5 学习向量量化 14.3 小结 14.4 例题 14.5 结束语 参考文献 习题 第15章 grossberg网络 15.1 目的 15.2 理论和实例 15. 2.1 生物学的启发:视觉 15.2.2 基本非线性模型 15.2.3 两层竞争网络 15.2.4 与kohonen规则的关系 15.3 小结 15.4 例题 15.5 结束语 参考文献 习题 第16章 自适应谐振理论 16.1 目的 16. 2 理论和实例 16.2.1 自适应谐振概述 16.2.2 第一层 16.2.3 第二层 16.2.4 调整子系统 16.2.5 学习规则:l1-l2 16.2.6 学习规则:l2-l1 16.2.7 art1算法小结 16.2.8 其他art体系结构 16.3 小结 16.4 例题 16.5 结束语 参考文献 习题 第17章 稳定性 17.1 目的 17.2 理论和实例 17.2.1 递归网络 17.2.2 稳定性概念 17.2.3 lyapunov稳定性定理 17.2.4 单摆例子 17.2.5 lasdlle不变性定理 17.3 小结 17.4 例题 17.5 结束语 参考文献 习题 第18章 hopfield网络 18.1 目的 18.2 理论和实例 18.2.1 hopfield模型 18.2.2 lyapunov函数 18.2.3 增益效应 18.2.4 hopfield网络设计 18.3 小结 18. 4 例题 18.5 结束语 参考文献 习题 第19章 结束语 19.1 目的 19.2 理论和实例 19.2.1 前馈和联想网络 19.2.2 竞争网络 19。2.3 动态联想存储器网络 19.2.4 神经网络的经典基础 19.2.5 参考书目和杂志 19.3 结束语 参考文献 附录a 文献目录 附录b 符号 附录c 软件 索引

    2015-07-05
    50
  • 神经网络与机器学习(原书第3版)

    神经网络是计算智能和机器学习的重要分支,在诸多领域都取得了很大的成功。在众多神经网络著作中,影响最为广泛的是Simon Haykin的《神经网络原理》(第3版更名为《神经网络与机器学习》)。在本书中,作者结合近年来神经网络和机器学习的最新进展,从理论和实际应用出发,全面、系统地介绍了神经网络的基本模型、方法和技术,并将神经网络和机器学习有机地结合在一起。 本书不但注重对数学分析方法和理论的探讨,而且也非常关注神经网络在模式识别、信号处理以及控制系统等实际工程问题的应用。本书的可读性非常强,作者举重若轻地对神经网络的基本模型和主要学习理论进行了深入探讨和分析,通过大量的试验报告、例题和习题来帮助读者更好地学习神经网络。 本版在前一版的基础上进行了广泛修订,提供了神经网络和机器学习这两个越来越重要的学科的最新分析。 本书特色: 1. 基于随机梯度下降的在线学习算法;小规模和大规模学习问题。 2. 核方法,包括支持向量机和表达定理。 3. 信息论学习模型,包括连接、独立分量分析(ICA)、一致独立分量分析和信息瓶颈。 4. 随机动态规划,包括逼近和神经动态规划。 5. 逐次状态估计算法,包括卡尔曼和粒子滤波器。 6. 利用逐次状态估计算法训练递归神经网络。 7. 富有洞察力的面向计算机的试验。 出版者的话 译者序 前言 缩写和符号 术语 第0章 导言1 0.1 什么是神经网络1 0.2 人类大脑4 0.3 神经元模型7 0.4 被看作有向图的神经网络10 0.5 反馈11 0.6 网络结构13 0.7 知识表示14 0.8 学习过程20 0.9 学习任务22 0.10 结束语27 注释和参考文献27 第1章 Rosenblatt感知器28 1.1 引言28 1.2 感知器28 1.3 感知器收敛定理29 1.4 高斯环境下感知器与贝叶斯分类器的关系33 1.5 计算机实验:模式分类36 1.6 批量感知器算法38 1.7 小结和讨论39 注释和参考文献39 习题40 第2章 通过回归建立模型28 2.1 引言41 2.2 线性回归模型:初步考虑41 2.3 参数向量的最大后验估计42 2.4 正则最小二乘估计和MAP估计之间的关系46 2.5 计算机实验:模式分类47 2.6 最小描述长度原则48 2.7 固定样本大小考虑50 2.8 工具变量方法53 2.9 小结和讨论54 注释和参考文献54 习题55 第3章 最小均方算法56 3.1 引言56 3.2 LMS算法的滤波结构56 3.3 无约束最优化:回顾58 3.4 维纳滤波器61 3.5 最小均方算法63 3.6 用马尔可夫模型来描画LMS算法和维纳滤波器的偏差64 3.7 朗之万方程:布朗运动的特点65 3.8 Kushner直接平均法66 3.9 小学习率参数下统计LMS学习理论67 3.10 计算机实验Ⅰ:线性预测68 3.11 计算机实验Ⅱ:模式分类69 3.12 LMS算法的优点和局限71 3.13 学习率退火方案72 3.14 小结和讨论73 注释和参考文献74 习题74 第4章 多层感知器77 4.1 引言77 4.2 一些预备知识78 4.3 批量学习和在线学习79 4.4 反向传播算法81 4.5 异或问题89 4.6 改善反向传播算法性能的试探法90 4.7 计算机实验:模式分类94 4.8 反向传播和微分95 4.9 Hessian矩阵及其在在线学习中的规则96 4.10 学习率的最优退火和自适应控制98 4.11 泛化102 4.12 函数逼近104 4.13 交叉验证107 4.14 复杂度正则化和网络修剪109 4.15 反向传播学习的优点和局限113 4.16 作为最优化问题看待的监督学习117 4.17 卷积网络126 4.18 非线性滤波127 4.19 小规模和大规模学习问题131 4.20 小结和讨论136 注释和参考文献137 习题138 第5章 核方法和径向基函数网络144 5.1 引言144 5.2 模式可分性的Cover定理144 5.3 插值问题148 5.4 径向基函数网络150 5.5 K-均值聚类152 5.6 权向量的递归最小二乘估计153 5.7 RBF网络的混合学习过程156 5.8 计算机实验:模式分类157 5.9 高斯隐藏单元的解释158 5.10 核回归及其与RBF网络的关系160 5.11 小结和讨论162 注释和参考文献164 习题165 第6章 支持向量机168 6.1 引言168 6.2 线性可分模式的最优超平面168 6.3 不可分模式的最优超平面173 6.4 使用核方法的支持向量机176 6.5 支持向量机的设计178 6.6 XOR问题179 6.7 计算机实验:模式分类181 6.8 回归:鲁棒性考虑184 6.9 线性回归问题的最优化解184 6.10 表示定理和相关问题187 6.11 小结和讨论191 注释和参考文献192 习题193 第7章 正则化理论197 7.1 引言197 7.2 良态问题的Hadamard条件198 7.3 Tikhonov正则化理论198 7.4 正则化网络205 7.5 广义径向基函数网络206 7.6 再论正则化最小二乘估计209 7.7 对正则化的附加要点211 7.8 正则化参数估计212 7.9 半监督学习215 7.10 流形正则化:初步的考虑216 7.11 可微流形217 7.12 广义正则化理论220 7.13 光谱图理论221 7.14 广义表示定理222 7.15 拉普拉斯正则化最小二乘算法223 7.16 用半监督学习对模式分类的实验225 7.17 小结和讨论227 注释和参考文献228 习题229 第8章 主分量分析232 8.1 引言232 8.2 自组织原则232 8.3 自组织的特征分析235 8.4 主分量分析:扰动理论235 8.5 基于Hebb的最大特征滤波器241 8.6 基于Hebb的主分量分析247 8.7 计算机实验:图像编码251 8.8 核主分量分析252 8.9 自然图像编码中的基本问题256 8.10 核Hebb算法257 8.11 小结和讨论260 注释和参考文献262 习题264 第9章 自组织映射268 9.1 引言268 9.2 两个基本的特征映射模型269 9.3 自组织映射270 9.4 特征映射的性质275 9.5 计算机实验Ⅰ:利用SOM解网格动力学问题280 9.6 上下文映射281 9.7 分层向量量化283 9.8 核自组织映射285 9.9 计算机实验Ⅱ:利用核SOM解点阵动力学问题290 9.10 核SOM和相对熵之间的关系291 9.11 小结和讨论293 注释和参考文献294 习题295 第10章 信息论学习模型299 10.1 引言299 10.2 熵300 10.3 最大熵原则302 10.4 互信息304 10.5 相对熵306 10.6 系词308 10.7 互信息作为最优化的目标函数310 10.8 最大互信息原则311 10.9 最大互信息和冗余减少314 10.10 空间相干特征316 10.11 空间非相干特征318 10.12 独立分量分析320 10.13 自然图像的稀疏编码以及与ICA编码的比较324 10.14 独立分量分析的自然梯度学习326 10.15 独立分量分析的最大似然估计332 10.16 盲源分离的最大熵学习334 10.17 独立分量分析的负熵最大化337 10.18 相关独立分量分析342 10.19 速率失真理论和信息瓶颈347 10.20 数据的最优流形表达350 10.21 计算机实验:模式分类354 10.22 小结和讨论354 注释和参考文献356 习题361 第11章 植根于统计力学的随机方法366 11.1 引言366 11.2 统计力学367 11.3 马尔可夫链368 11.4 Metropolis算法374 11.5 模拟退火375 11.6 Gibbs抽样377 11.7 Boltzmann机378 11.8 logistic信度网络382 11.9 深度信度网络383 11.10 确定性退火385 11.11 和EM算法的类比389 11.12 小结和讨论390 注释和参考文献390 习题392 第12章 动态规划396 12.1 引言396 12.2 马尔可夫决策过程397 12.3 Bellman最优准则399 12.4 策略迭代401 12.5 值迭代402 12.6 逼近动态规划:直接法406 12.7 时序差分学习406 12.8 Q学习410 12.9 逼近动态规划:非直接法412 12.10 最小二乘策略评估414 12.11 逼近策略迭代417 12.12 小结和讨论419 注释和参考文献421 习题422 第13章 神经动力学425 13.1 引言425 13.2 动态系统426 13.3 平衡状态的稳定性428 13.4 吸引子432 13.5 神经动态模型433 13.6 作为递归网络范例的吸引子操作435 13.7 Hopfield模型435 13.8 Cohen-Grossberg定理443 13.9 盒中脑状态模型445 13.10 奇异吸引子和混沌448 13.11 混沌过程的动态重构452 13.12 小结和讨论455 注释和参考文献457 习题458 第14章 动态系统状态估计的贝叶斯滤波461 14.1 引言461 14.2 状态空间模型462 14.3 卡尔曼滤波器464 14.4 发散现象及平方根滤波469 14.5 扩展的卡尔曼滤波器474 14.6 贝叶斯滤波器477 14.7 数值积分卡尔曼滤波器:基于卡尔曼滤波器480 14.8 粒子滤波器484 14.9 计算机实验:扩展的卡尔曼滤波器和粒子滤波器对比评价490 14.10 大脑功能建模中的 卡尔曼滤波493 14.11 小结和讨论494 注释和参考文献496 习题497 第15章 动态驱动递归网络501 15.1 引言501 15.2 递归网络体系结构502 15.3 通用逼近定理505 15.4 可控性和可观测性507 15.5 递归网络的计算能力510 15.6 学习算法511 15.7 通过时间的反向传播512 15.8 实时递归学习515 15.9 递归网络的消失梯度519 15.10 利用非线性逐次状态估计的递归网络监督学习框架521 15.11 计算机实验:Mackay-Glass吸引子的动态重构526 15.12 自适应考虑527 15.13 实例学习:应用于神经控制的模型参考529 15.14 小结和讨论530 注释和参考文献533 习题534 参考文献538

    2015-07-05
    49
img
lengwuqin

关注 私信