本書有DRM加密保護,需使用HyRead閱讀軟體開啟
  • 神經網絡
  • 點閱:1
  • 並列題名:Neural networks
  • 作者: 史忠植編著
  • 出版社:高等教育出版社
  • 出版年:2009[民98]
  • 集叢名:智能科學與技術
  • ISBN:9787040265446
  • 格式:JPG
  • 附註:簡體字版
租期14天 今日租書可閱讀至2021-12-19

《神經網絡》系統地論述了神經網絡的基本原理、方法、技術和應用,主要內容包括:神經信息處理的基本原理、感知器、反向傳播網絡、自組織網絡、遞歸網絡、徑向基函數網絡、核函數方法、神經網絡集成、模糊神經網絡、概率神經網絡、脈沖耦合神經網絡等。

  • 第 1 章 绪论(第1頁)
    • 1.1 概述(第1頁)
    • 1.2 神经网络的研究历史(第3頁)
    • 1.3 人脑的神经系统(第7頁)
    • 1.4 神经信息处理的基本原理(第15頁)
    • 1.5 简单的神经网络模型(第22頁)
    • 1.6 神经网络的研究内容(第25頁)
    • 1.7 神经网络的分类(第28頁)
    • 1.8 神经网络研究的发展方向(第28頁)
    • 习题(第29頁)
  • 第 2 章 感知器(第31頁)
    • 2.1 感知器的认知观点(第31頁)
    • 2.2 单层感知器(第32頁)
    • 2.3 多层感知器(第38頁)
    • 2.4 学习算法的优化(第40頁)
    • 2.5 最小均方 (LMS) 算法(第43頁)
    • 习题(第46頁)
  • 第 3 章 反向传播网络(第48頁)
    • 3.1 概述(第48頁)
    • 3.2 反向传播网络的结构(第48頁)
    • 3.3 反向传播算法(第50頁)
    • 3.4 反向传播算法性能分析(第55頁)
    • 3.5 反向传播算法的改进(第56頁)
    • 3.6 反向传播网络学习程序(第63頁)
    • 习题(第65頁)
  • 第 4 章 自组织网络(第67頁)
    • 4.1 概述(第67頁)
    • 4.2 Kohonen 自组织映射(第69頁)
    • 4.3 学习向量量化(第79頁)
    • 4.4 自适应共振理论神经网络(第84頁)
    • 4.5 认知器(第94頁)
    • 4.6 主成分分析(第101頁)
    • 4.7 独立成分分析(第106頁)
    • 习题(第111頁)
  • 第 5 章 递归网络(第113頁)
    • 5.1 概述(第113頁)
    • 5.2 递归网络体系结构(第113頁)
    • 5.3 状态空间模型(第117頁)
    • 5.4 Hopfield 网络(第118頁)
    • 5.5 双向联想记忆模型(第131頁)
    • 5.6 模拟退火算法(第133頁)
    • 5.7 玻尔兹曼机(第135頁)
    • 习题(第138頁)
  • 第 6 章 径向基函数网络(第140頁)
    • 6.1 概述(第140頁)
    • 6.2 径向基函数数学基础(第141頁)
    • 6.3 径向基函数网络结构(第147頁)
    • 6.4 RBF 网络算法分析(第150頁)
    • 6.5 RBF 网络算法优化(第156頁)
    • 6.6 CMAC 网络(第159頁)
    • 6.7 泛函数连接网络(第161頁)
    • 6.8 小波神经网络(第162頁)
    • 6.9 过程神经网络(第162頁)
    • 习题(第164頁)
  • 第 7 章 核函数方法(第166頁)
    • 7.1 概述(第166頁)
    • 7.2 统计学习问题(第167頁)
    • 7.3 学习过程的一致性(第168頁)
    • 7.4 结构风险最小归纳原理(第170頁)
    • 7.5 支持向量机(第172頁)
    • 7.6 核函数(第176頁)
    • 7.7 核主成分分析(第178頁)
    • 习题(第179頁)
  • 第 8 章 神经网络集成(第180頁)
    • 8.1 概述(第180頁)
    • 8.2 神经网络集成的基本原理(第181頁)
    • 8.3 神经网络集成的方法(第181頁)
    • 8.4 结论生成方法(第182頁)
    • 8.5 个体生成方法(第183頁)
    • 8.6 基于 Bagging 的聚类(第186頁)
    • 8.7 神经网络集成系统的规则获取(第187頁)
    • 8.8 神经专家系统(第189頁)
    • 习题(第192頁)
  • 第 9 章 模糊神经网络(第193頁)
    • 9.1 概述(第193頁)
    • 9.2 算术模糊神经网络(第194頁)
    • 9.3 模糊逻辑(第195頁)
    • 9.4 模糊联想记忆(第196頁)
    • 9.5 神经模糊推理系统(第198頁)
    • 9.6 神经网络近似逻辑(第201頁)
    • 习题(第202頁)
  • 第 10 章 概率神经网络(第203頁)
    • 10.1 概述(第203頁)
    • 10.2 贝叶斯定理(第203頁)
    • 10.3 概率密度函数(第204頁)
    • 10.4 模式分类的贝叶斯判定策略(第205頁)
    • 10.5 密度估计的一致性(第205頁)
    • 10.6 概率神经网络(第206頁)
    • 10.7 激活函数(第208頁)
    • 10.8 贝叶斯阴阳系统理论(第209頁)
    • 习题(第211頁)
  • 第 11 章 脉冲耦合神经网络(第212頁)
    • 11.1 概述(第212頁)
    • 11.2 视觉皮层理论(第212頁)
    • 11.3 脉冲耦合神经网络模型(第215頁)
    • 11.4 交叉皮层模型(第217頁)
    • 11.5 贝叶斯连接域神经网络模型(第217頁)
    • 11.6 贝叶斯连接域神经网络模型在特征捆绑中的应用(第220頁)
    • 习题(第224頁)
  • 第 12 章 神经场理论(第225頁)
    • 12.1 概述(第225頁)
    • 12.2 信息几何(第226頁)
    • 12.3 统计流形上的 Riemann 度量(第232頁)
    • 12.4 神经场理论模型(第234頁)
    • 12.5 基于 Fisher 分的朴素贝叶斯分类器(第241頁)
    • 12.6 动态神经场模型(第243頁)
    • 习题(第246頁)
  • 第 13 章 神经元集群(第247頁)
    • 13.1 概述(第247頁)
    • 13.2 大脑皮层(第248頁)
    • 13.3 嗅觉神经系统的 K 系列模型(第251頁)
    • 13.4 皮层功能柱的细胞结构(第255頁)
    • 13.5 皮层功能柱理论模型(第257頁)
    • 13.6 集群编码(第264頁)
    • 13.7 神经元集群时空编码(第267頁)
    • 习题(第268頁)
  • 第 14 章 神经计算机(第269頁)
    • 14.1 神经计算机的体系结构(第269頁)
    • 14.2 电子神经器件(第272頁)
    • 14.3 电子神经计算机(第277頁)
    • 14.4 基于细胞自动机的人工脑(第284頁)
    • 14.5 光神经计算机(第287頁)
    • 14.6 光电神经计算机(第291頁)
    • 14.7 分子神经计算机(第293頁)
    • 习题(第297頁)
  • 参考文献(第298頁)
紙本書 NT$ 222
單本電子書
NT$ 155

點數租閱 20點
租期14天
今日租書可閱讀至2021-12-19
還沒安裝 HyRead 3 嗎?馬上免費安裝~
QR Code