幫助中心 | 我的帳號 | 關於我們

現代神經網路教程/人工智慧前沿技術叢書

  • 作者:楊淑媛//焦李成//劉夢琨//趙進//劉芳等|責編:武翠琴|總主編:焦李成
  • 出版社:西安電子科大
  • ISBN:9787560655468
  • 出版日期:2020/08/01
  • 裝幀:平裝
  • 頁數:484
人民幣:RMB 97 元      售價:
放入購物車
加入收藏夾

內容大鋼
    神經網路在七十余年的發展歷程中,雖幾經沉浮,但仍已發展成為國際學術、產業及國家發展的焦點和熱點,已成為未來創新社會發展的動力。本書從認知神經科學出發闡述了神經計算的範疇、歷史與發展、基本原理等內容。全書共17章,分為兩個部分:第一部分(第1?10章)從神經網路計算的生物學基礎出發,論述了前饋神經網路、反饋神經網路、競爭學習神經網路以及新興的進化神經網路、正則神經網路、支撐矢量機網路、模糊神經網路、多尺度神經網路等模型與學習演算法; 第二部分(第11?17章)論述了新近發展的深度網路模型與學習演算法,包括自編碼網路、卷積神經網路、生成式對抗網路、循環神經網路、圖神經網路等及其在文本、圖像模式識別、圖像感知等領域的應用,其中在第16章的深度學習進階中,論述了稀疏編碼分類及應用、相關網路學習與訓練的實例,以供有興趣的讀者進一步探索實踐。
    本書可作為高等院校電腦科學、電子科學與技術、信息科學、控制科學與工程、人工智慧、大數據、圖像感知等相關專業本科生或研究生的教材,同時也可為相關領域的科研人員提供參考。

作者介紹
楊淑媛//焦李成//劉夢琨//趙進//劉芳等|責編:武翠琴|總主編:焦李成

目錄
第1章  緒論
  1.1  人腦與腦神經信息處理
    1.1.1  人腦的信息處理機制
    1.1.2  人腦的信息處理能力
    1.1.3  人工神經網路
    1.1.4  腦認知工程
  1.2  人工神經網路的歷史
    1.2.1  第一次研究高潮
    1.2.2  第二次研究高潮
    1.2.3  最近30年的發展
  1.3  人工神經網路的實現
    1.3.1  人工神經網路的軟體模擬
    1.3.2  人工神經網路的硬體實現
  1.4  人工神經網路的應用
    1.4.1  適合人工神經網路求解的問題特點
    1.4.2  人工神經網路的典型應用
  1.5  人工神經網路與人工智慧
    1.5.1  人工智慧
    1.5.2  人工神經網路與人工智慧的區別
    1.5.3  人工神經網路與人工智慧的互補性
  1.6  人工神經網路的研究與進展
    1.6.1  人工神經網路的研究內容
    1.6.2  人工神經網路的幾個重要研究領域
    1.6.3  人工神經網路的優勢與不足
  1.7  本書的主要內容
  本章參考文獻
第2章  人工神經網路基礎
  2.1  腦的結構與功能
  2.2  大腦神經系統
    2.2.1  神經系統中的組織層數
    2.2.2  生物神經元
    2.2.3  生物神經元連接突觸
    2.2.4  生物神經網路、層級和圖
    2.2.5  學習和記憶的生物與物理學基礎
  2.3  人工神經元與人工神經網路
    2.3.1  命題的基本邏輯
    2.3.2  McCulloch?Pitts神經元
    2.3.3  基本integrate?and?fire神經元
    2.3.4  一般的可計算神經元
    2.3.5  人工神經網路
  2.4  人工神經網路的分類
    2.4.1  基於拓撲結構的分類
    2.4.2  基於神經元特徵的分類
    2.4.3  基於學習環境的分類
  2.5  人工神經網路的學習方法
    2.5.1  有監督學習
    2.5.2  無監督學習
    2.5.3  增強學習
  2.6  人工神經網路的向量與矩陣基礎
    2.6.1  線性向量空間與生成空間

    2.6.2  基集合、內積與范數
    2.6.3  正交、向量展開與互逆基向量
    2.6.4  線性變換與矩陣表示
  本章參考文獻
第3章  前饋神經網路
  3.1  單神經元模型
    3.1.1  單感知器神經元和感知器學習規則
    3.1.2  線性單元的梯度下降演算法
    3.1.3  隨機梯度下降演算法
  3.2  單層前饋神經網路
    3.2.1  自適應線性網路
    3.2.2  線性聯想器網路
  3.3  多層前饋神經網路
    3.3.1  反向傳播演算法
    3.3.2  改進的反向傳播演算法
    3.3.3  反向傳播演算法實現的幾點說明
  3.4  感知器準則和LMS演算法
  3.5  感知器網路和Bayes分類器
  3.6  感知器網路和Fisher判別
  3.7  神經網路設計
  3.8  神經網路泛化
  3.9  深度前饋神經網路
  本章參考文獻
第4章  反饋神經網路
  4.1  Hopfield反饋神經網路的結構與激活函數
  4.2  Hopfield反饋神經網路的狀態軌跡
    4.2.1  狀態軌跡為網路的穩定點
    4.2.2  狀態軌跡為極限環
    4.2.3  狀態軌跡為混沌狀態
    4.2.4  狀態軌跡發散
    4.2.5  設計目標
  4.3  離散型Hopfield反饋神經網路
    4.3.1  模型結構
    4.3.2  聯想記憶功能
    4.3.3  Hebb學習規則
    4.3.4  影響記憶容量的因素
    4.3.5  網路的記憶容量確定
    4.3.6  網路權值設計的其他方法
  4.4  連續型Hopfield反饋神經網路
    4.4.1  模型結構
    4.4.2  求解組合優化問題
  4.5  實時遞歸神經網路
    4.5.1  實時遞歸網路
    4.5.2  Kalman實時遞推演算法
    4.5.3  Kalman濾波規則與應用
  4.6  Hopfield反饋神經網路在人臉識別中的應用
  本章參考文獻
第5章  競爭學習神經網路
  5.1  內星與外星學習規則
    5.1.1  Instar學習規則

    5.1.2  Outstar學習規則
    5.1.3  Kohonen學習規則
  5.2  自組織競爭網路
    5.2.1  網路結構
    5.2.2  競爭學習規則
    5.2.3  網路的訓練過程
  5.3  Kohonen自組織映射網路
    5.3.1  網路的拓撲結構
    5.3.2  網路的訓練過程
  5.4  對傳網路
    5.4.1  網路結構
    5.4.2  學習規則
    5.4.3  訓練過程
  5.5  競爭學習神經網路的研究趨勢與典型應用
    5.5.1  研究趨勢
    5.5.2  典型應用
  5.6  基於SOFM的人口統計指標分類
    5.6.1  問題描述
    5.6.2  網路的創建
    5.6.3  網路的訓練
    5.6.4  網路的測試與使用
  本章參考文獻
第6章  進化神經網路
  6.1  進化演算法
    6.1.1  進化演算法的提出
    6.1.2  進化演算法的基本框架
    6.1.3  進化演算法的特點及應用
  6.2  遺傳演算法
    6.2.1  遺傳演算法的基本概念及理論基礎
    6.2.2  遺傳演算法的流程及特點
    6.2.3  遺傳演算法的應用
  6.3  進化規劃
    6.3.1  進化規劃的發展
    6.3.2  進化規劃演算法的組成
    6.3.3  進化規劃的特點及應用
  6.4  進化策略
    6.4.1  進化策略概述
    6.4.2  進化策略的基本原理
    6.4.3  進化策略的重要特徵及應用
  6.5  進化神經網路
    6.5.1  進化神經網路概述
    6.5.2  進化神經網路的研究方法
    6.5.3  進化神經網路的新進展
  6.6  進化神經網路應用實例
  本章參考文獻
第7章  正則神經網路
  7.1  正則化技術和正則學習
  7.2  具有徑向基穩定子的正則網路
  7.3  具有張量積穩定子的正則網路
  7.4  具有加性穩定子的正則網路

  7.5  正則網路的貝葉斯解釋
  7.6  徑向基神經網路
  7.7  正則神經網路應用實例
  本章參考文獻
第8章  支撐矢量機網路
  8.1  引子——偏置/方差困境
  8.2  VC維
  8.3  SRM和SVM網路
  8.4  線性支撐矢量機網路
  8.5  非線性支撐矢量機網路
  8.6  支撐矢量機網路應用實例
  本章參考文獻
第9章  模糊神經網路
  9.1  模糊數學理論
    9.1.1  模糊集合及其運算
    9.1.2  模糊數及其運算
  9.2  模糊神經網路
    9.2.1  模糊神經網路的基礎知識
    9.2.2  模糊神經網路的發展歷程
    9.2.3  模糊神經網路的學習演算法
  9.3  典型模糊神經網路
    9.3.1  邏輯模糊神經網路
    9.3.2  算術模糊神經網路
    9.3.3  混合模糊神經網路
  9.4  模糊神經網路應用實例
    9.4.1  系統辨識和建模
    9.4.2  系統控制
    9.4.3  問題和難點
  本章參考文獻
第10章  多尺度神經網路
  10.1  多尺度分析
  10.2  子波神經網路
    10.2.1  多變數函數估計子波網路
    10.2.2  正交多分辨子波網路
    10.2.3  多子波神經網路
  10.3  多尺度幾何分析
  10.4  脊波網路
    10.4.1  連續脊波網路
    10.4.2  方向多分辨脊波網路
  本章參考文獻
第11章  自編碼網路
  11.1  自編碼網路背景介紹
  11.2  自編碼網路的結構模型
  11.3  自編碼網路模型的研究進展
  11.4  自編碼網路模型的優化演算法
  11.5  受限玻爾茲曼機
  11.6  自編碼網路的變體
    11.6.1  稀疏自動編碼器
    11.6.2  降噪自動編碼器
    11.6.3  收縮自動編碼器

    11.6.4  棧式自動編碼器
  11.7  自編碼網路應用實例
    11.7.1  圖像分類
    11.7.2  目標檢測
    11.7.3  目標跟蹤
  11.8  自編碼網路的總結
  本章參考文獻
第12章  卷積神經網路
  12.1  卷積神經網路的歷史
  12.2  卷積神經網路的結構
  12.3  卷積神經網路的學習演算法
  12.4  卷積神經網路的改進設計
    12.4.1  卷積層
    12.4.2  卷積核
    12.4.3  池化層
    12.4.4  正則化
    12.4.5  激活函數
  12.5  卷積神經網路應用實例
    12.5.1  圖像語義分割
    12.5.2  目標檢測
    12.5.3  目標跟蹤
  12.6  卷積神經網路的總結
  本章參考文獻
第13章  生成式對抗網路
  13.1  生成式對抗網路介紹
  13.2  生成式對抗網路的結構與原理
  13.3  生成式對抗網路的學習演算法
  13.4  生成式對抗網路的性能分析
  13.5  生成式對抗網路的變體
    13.5.1  信息最大化生成式對抗網路
    13.5.2  條件生成式對抗網路
    13.5.3  深度卷積生成式對抗網路
    13.5.4  循環一致性生成式對抗網路
    13.5.5  最小二乘生成式對抗網路
    13.5.6  邊界平衡生成式對抗網路
  13.6  生成式對抗網路應用實例
    13.6.1  數據增強
    13.6.2  圖像補全(修復)
    13.6.3  文本翻譯成圖像
  13.7  生成式對抗網路存在的問題與思考
    13.7.1  生成式對抗網路的優點
    13.7.2  生成式對抗網路的缺點
    13.7.3  模式崩潰的原因
    13.7.4  為什麼GAN中的優化器不常用SGD
  本章參考文獻
第14章  循環神經網路
  14.1  循環神經網路介紹
  14.2  循環神經網路的計算過程
  14.3  循環神經網路的訓練過程
    14.3.1  訓練演算法

    14.3.2  前向計算
    14.3.3  誤差項的計算
    14.3.4  權重梯度的計算
  14.4  循環神經網路的問題
  14.5  循環神經網路的變體
    14.5.1  長短時記憶網路
    14.5.2  雙向循環神經網路
    14.5.3  深度雙向循環神經網路
    14.5.4  回聲狀態網路
    14.5.5  序列到序列網路
  14.6  循環神經網路應用實例
    14.6.1  自動問答
    14.6.2  文本摘要生成
    14.6.3  目標跟蹤
  14.7  循環神經網路的總結
  本章參考文獻
第15章  深度強化學習
  15.1  深度強化學習背景介紹
  15.2  深度強化學習的基本機理
  15.3  深度強化學習的經典網路模型
    15.3.1  基於卷積神經網路的深度強化學習
    15.3.2  基於遞歸神經網路的深度強化學習
  15.4  深度強化學習應用實例
    15.4.1  玩Atari遊戲
    15.4.2  目標檢測
    15.4.3  目標跟蹤
  15.5  深度強化學習的局限性
  15.6  深度強化學習的挑戰
  本章參考文獻
第16章  深度學習進階
  16.1  稀疏學習
    16.1.1  相關概念
    16.1.2  稀疏編碼
    16.1.3  字典學習
  16.2  稀疏模型
    16.2.1  合成稀疏模型
    16.2.2  分析稀疏模型
    16.2.3  稀疏模型的最新進展
  16.3  稀疏模型的應用
    16.3.1  合成稀疏模型的應用
    16.3.2  分析稀疏模型的應用
    16.3.3  稀疏模型在分類中的應用
  16.4  認知神經科學
  16.5  深度學習實戰
    16.5.1  基本回歸方法
    16.5.2  深層神經網路的理解
    16.5.3  反卷積網路的理解
    16.5.4  利用Hessian?free方法訓練深度網路
    16.5.5  深度學習中的優化方法
    16.5.6  自編碼網路的理解

    16.5.7  自學習
    16.5.8  線性解碼器
    16.5.9  隨機採樣
    16.5.10  數據預處理
    16.5.11  dropout的理解
    16.5.12  maxout的理解
    16.5.13  ICA模型
    16.5.14  RBM的理解
    16.5.15  RNN?RBM的理解
    16.5.16  用神經網路實現數據的降維
    16.5.17  無監督特徵學習中關於單層網路的分析
    16.5.18  K?means單層網路的識別性能
  本章參考文獻
第17章  圖神經網路
  17.1  引言
  17.2  圖神經網路的基本機理
  17.3  圖神經網路的變體
    17.3.1  基於空域的圖卷積神經網路
    17.3.2  基於譜域的圖卷積神經網路
    17.3.3  圖注意力網路
  17.4  圖神經網路應用實例
    17.4.1  圖像分類
    17.4.2  目標檢測
    17.4.3  語義分割
  17.5  圖神經網路的挑戰
  本章參考文獻
附錄 歷史上著名的人工智慧大師

  • 商品搜索:
  • | 高級搜索
首頁新手上路客服中心關於我們聯絡我們Top↑
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話:02-2381-2033 02-2381-1863 時間:週一-週五 10:00-17:00
 服務信箱:bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證:浙B2-20060032