第1章緒論1
1.1神經網絡的發展與應用1
1.2人工神經元模型2
1.3用有嚮圖錶示神經網絡4
1.4網絡結構及工作方式5
1.5NN的學習7
1.5.1學習方式7
1.5.2學習算法7
1.5.3學習與自適應9
習題9
參考文獻10
第2章前饋網絡11
2.1綫性閾值單元11
2.1.1用綫性閾值單元實現布爾函數11
2.1.2綫性可分性12
2.1.3n維歐氏空間中m個點上可實現的綫性可分函數的個數13
2.2多層前饋網絡的計算能力及函數逼近15
2.3感知器的學習算法17
2.4反嚮傳播學習算法19
2.5改進反嚮傳播算法收斂速度的措施26
2.5.1加入動量項26
2.5.2高階導數的利用27
2.5.3共軛梯度法27
2.5.4遞推最小二乘法28
2.5.5神經元空間搜索法28
2.5.6一些其他措施30
2.6多層前饋網絡作用的分析31
2.6.1綫性網絡32
2.6.2非綫性情況33
2.7應用舉例34
習題45
參考文獻48
第3章徑嚮基函數網絡51
3.1φ可分性51
3.2函數逼近與內插52
3.3正規化理論53
3.4RBF網絡的學習60
3.5RBF網絡的一些變形63
3.6CMAC網絡64
3.6.1模型結構64
3.6.2工作原理分析66
3.6.3學習算法69
3.7概率神經網絡70
3.8小波網絡71
3.9泛函連接網絡72
3.10新一代神經元模型及其計算能力的研究74
3.10.1布爾函數的計算75
3.10.2連續輸入的情況75
· · · · · · (收起)
1.1神經網絡的發展與應用1
1.2人工神經元模型2
1.3用有嚮圖錶示神經網絡4
1.4網絡結構及工作方式5
1.5NN的學習7
1.5.1學習方式7
1.5.2學習算法7
1.5.3學習與自適應9
習題9
參考文獻10
第2章前饋網絡11
2.1綫性閾值單元11
2.1.1用綫性閾值單元實現布爾函數11
2.1.2綫性可分性12
2.1.3n維歐氏空間中m個點上可實現的綫性可分函數的個數13
2.2多層前饋網絡的計算能力及函數逼近15
2.3感知器的學習算法17
2.4反嚮傳播學習算法19
2.5改進反嚮傳播算法收斂速度的措施26
2.5.1加入動量項26
2.5.2高階導數的利用27
2.5.3共軛梯度法27
2.5.4遞推最小二乘法28
2.5.5神經元空間搜索法28
2.5.6一些其他措施30
2.6多層前饋網絡作用的分析31
2.6.1綫性網絡32
2.6.2非綫性情況33
2.7應用舉例34
習題45
參考文獻48
第3章徑嚮基函數網絡51
3.1φ可分性51
3.2函數逼近與內插52
3.3正規化理論53
3.4RBF網絡的學習60
3.5RBF網絡的一些變形63
3.6CMAC網絡64
3.6.1模型結構64
3.6.2工作原理分析66
3.6.3學習算法69
3.7概率神經網絡70
3.8小波網絡71
3.9泛函連接網絡72
3.10新一代神經元模型及其計算能力的研究74
3.10.1布爾函數的計算75
3.10.2連續輸入的情況75
· · · · · · (收起)
具體描述
《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。
用戶評價
評分
##已購
評分暫時隻看的瞭支持嚮量機的那一節，圖和錶都是其他書上copy的—_—|||
評分##已購
評分##已購
評分##已購
評分##已購
評分暫時隻看的瞭支持嚮量機的那一節，圖和錶都是其他書上copy的—_—|||
評分暫時隻看的瞭支持嚮量機的那一節，圖和錶都是其他書上copy的—_—|||
評分暫時隻看的瞭支持嚮量機的那一節，圖和錶都是其他書上copy的—_—|||
相關圖書
本站所有內容均為互聯網搜尋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 book.teaonline.club All Rights Reserved. 圖書大百科 版權所有