幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

人工神經網路模型設計案例

  • 作者：胡俊英//孫凱//劉軍民//吳石松|責編:張運琪//曹艷艷
  • 出版社：西北大學
  • ISBN：9787560453798
  • 出版日期：2024/05/01
  • 裝幀：平裝
  • 頁數：205
人民幣：RMB 56 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書從提高神經網路模型的訓練效率和模型性能出發，聚焦于網路模型結構的設計與實現，提出了一系列改進的或新設計的網路模型，並設計了相關的演算法和數據實驗，進一步增強了神經網路的發展。
    全書共包括10章，具體內容如下：
    第1章主要介紹神經網路的研究背景、研究意義、生物依據與研究現狀。
    第2章主要介紹神經網路的基礎知識，包括構成網路的基本單元人工神經元模型和網路結構，並詳細介紹了常用的激活函數以及經典的網路結構：前饋神經網路和卷積神經網路。
    第3章介紹了一種可以進行高效訓練的深度人工神經網路模型。該模型通過堆棧若幹個極端學習機構建而成，通過貪婪逐層預訓練這若幹個極端學習機完成模型訓練。該模型既繼承了無監督極端學習機快速訓練的優勢，可以進行高效訓練，又具有深度結構，可以提取到數據的高層次特徵。
    第4章介紹了一種基於限制玻爾茲曼機的修正的亥姆霍茲機。該修正的亥姆霍茲機通過額外引入的隱層與頂層構成一個限制玻爾茲曼機，基於該限制玻爾茲曼機可以更好地構建頂層節點的生成分佈，從而整個模型可以更準確地構建數據的生成分佈。
    第5章介紹了一種能夠學到更多判別信息的正則化的限制玻爾茲曼機。該模型通過對特徵進行類內聚集和與類間排除的約束，要求同類別的特徵盡可能相同，不同類別的特徵盡可能疏遠，將標籤信息引入到特徵表示中，使得模型學到的特徵更具有判別性。
    第6章介紹了一種具有多維連接權重的人工神經網路模型。該模型中節點間的連接權重是多維的，我們啟髮式地定義了節點的編碼機制，使得不同維度的權重之間相互競爭與合作來完成信息傳遞。
    第7章介紹了一種改進的表格神經網路模型用於更加準確地進行人口統計特徵預測。該模型通過引入注意力機制來學習表格數據集中的特徵對於預測目標的權重（全局信息），能夠將全局和局部信息融合起來，從而更好地完成預測任務。
    第8章介紹了一種廣義極端學習機自編碼器（GELM-AE）。該模型一方面在目標函數中引入了流形正則化項，來限制隱層和輸出層之間的權重，保證了距離較近的原始數據在輸出空間距離也較近；另一方面通過堆疊GELM-AE構建了多層廣義極端學習機自編碼模型（ML-GELM），此模型不僅保持了ELM的快速訓練的特點，還有效繼承了深度模型有效提取特徵的優勢。
    第9章介紹了一種基於Fisher的主成分模型（FPCA），並進一步構建FP-CANet。FPCA模型將結合Fisher線性判別分析融入到PCA中，可以充分利用標籤信息提高模型的分類性能。又為了計算方便，引入了一個中間變數，設計了一個FPCA的逼近模型。理論上，我們分析了FPCA原始模型與逼近模型的關係，並且給出了逼近模型的收斂性分析。此外，通過堆疊FPCA的逼近模型，我們構建了一個可以提取到高層特徵的深度網路，稱為FPCA網路（FPCANet），進一步改進了模型的性能。
    第10章介紹了一種新的動態路由卷積神經網路（DRCNN）。該模型提出了新的動態路由層，該層能夠更好地混合來自不同視角之間的特徵，減少信息損失。我們還舉例證明了經典的視角池化層是我們提出的動態路由層的特例。大量的3D數據實驗結果驗證了DRCNN的有效性。
作者介紹
胡俊英//孫凱//劉軍民//吳石松|責編:張運琪//曹艷艷
目錄
第1章  緒論
  1.1  研究背景及意義
  1.2  生物依據及研究現狀
第2章  神經網路入門
  2.1  人工神經元模型
  2.2  網路結構
第3章  堆棧無監督極端學習機
  3.1  引言
  3.2  標準的ELM與USELM模型介紹
  3.3  St-USELM模型與演算法介紹
  3.4  實驗
  3.5  小結
第4章  基於限制玻爾茲曼機的修正的亥姆霍茲機
  4.1  引言
  4.2  亥姆霍茲機
  4.3  修正的亥姆霍茲機（HM-RBM）
  4.4  實驗
  4.5  小結
第5章  基於類別保留的正則化的限制玻爾茲曼機
  5.1  引言
  5.2  CPr-RBM模型與相關理論證明
  5.3  實驗
  5.4  小結
第6章  具有多維連接權重的神經網路
  6.1  引言
  6.2  MNN模型介紹
  6.3  MNN模型訓練
  6.4  實驗
  6.5  小結
第7章  基於改進表格神經網路的人口特徵預測模型
  7.1  引言
  7.2  問題描述
  7.3  模型介紹
  7.4  實驗
  7.5  小結
第8章  多層廣義極端學習機自編碼器
  8.1  引言
  8.2  極端學習機自編碼器與流形正則化
  8.3  廣義極端學習機自編碼器
  8.4  多層廣義極端學習機自編碼器
  8.5  實驗
  8.6  小結
第9章  Fisher判別主成分分析網路
  9.1  引言
  9.2  基礎知識
  9.3  Fisher主成分分析（FPCA）模型及其逼近模型
  9.4  FPCA模型分析
  9.5  FPCANet的實驗結果
  9.6  小結
第10章  用於三維物體識別的動態路由卷積神經網路

  10.1  引言
  10.2  相關的工作
  10.3  模型演算法
  10.4  實驗
  10.5  小結
參考文獻

  • 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