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

深度學習原理及實踐(詳解圖像處理和信號識別領域的14個案例)/人工智慧科學與技術叢書

  • 作者：郭業才|責編:曾珊
  • 出版社：清華大學
  • ISBN：9787302683018
  • 出版日期：2025/04/01
  • 裝幀：平裝
  • 頁數：286
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書主要彙集了筆者及團隊關於深度學習的前沿技術應用研究成果，同時也消化吸收了相關論著的最新成果，從原理、框架與應用三方面闡釋內容。全書分四篇共11章。第一篇（第1、2章）為深度學習基礎篇，其中第1章整體介紹了人工智慧、機器學習與深度學習；第2章介紹了深度學習的數學與優化基礎；第二篇（第3?5章）為神經網路篇，包括人工神經網路、Hopfield神經網路和脈衝耦合神經網路；第三篇（第6?8章）為卷積神經網路篇，闡述了深度卷積神經網路、混合空洞卷積神經網路和深度生成對抗與強化學習網路；第四篇（第9?11章）為循環遞歸神經網路篇，詳細分析了循環神經網路、深度遞歸級聯卷積神經網路和長短期記憶神經網路的結構、演算法架構與應用。
    全書按知識基礎、標準模型、進階模型和應用模型的邏輯組織內容，符合認知規律，適合人工智慧、電腦、自動化、電子與通信工程、大數據科學等相關學科專業的科學研究人員和工程技術人員閱讀，也可作為相關專業研究生的參考書。
作者介紹
郭業才|責編:曾珊
    郭業才，男，教授，博導。1986年畢業於安慶師範學院物理專業；2003年獲西北工業大學水聲工程專業博士學位，是全國百篇優秀博士學位論文獲得者。曾任安徽省學術與技術帶頭人、江蘇省高校「感測網與現代氣象裝備」優勢學科方向帶頭人。現為江蘇省「六大人才高峰」培養對象、江蘇省高校「信息與通信工程」 優勢學科方向帶頭人。主持全國優秀博士學位論文作者專項資金、國家自然科學基金和國家級省級教學研究等項目，共20余項；獲省級科研和教學成果獎7項；獲批國家級規劃教材1部、教育部電子信息類教指委規劃教材3部及省重點教材1部；獲授權發明專利30余件。正在指導統招博士、碩士研究生、留學研究生30余名，5篇碩士學位論文獲省優秀碩士學位論文獎。
目錄
第一篇  深度學習基礎篇
第1章  深度學習概述
  1.1  人工智慧
    1.1.1  人工智慧概念
    1.1.2  人工智慧發展歷程
    1.1.3  人工智慧學派
  1.2  機器學習
    1.2.1  機器學習問題描述
    1.2.2  機器學習理論基礎
    1.2.3  機器學習基本流程
    1.2.4  機器學習知識框架
    1.2.5  機器學習三要素
    1.2.6  機器學習路線圖
  1.3  表示學習
    1.3.1  表示學習基本概念
    1.3.2  表示學習理論基礎
    1.3.3  網路表示學習流程
  1.4  深度學習
    1.4.1  深度學習與傳統機器學習處理過程
    1.4.2  深度學習訓練演算法
    1.4.3  深度學習知識體系
    1.4.4  深度學習與機器學習、人工智慧的關係
第2章  深度學習的數學與優化基礎
  2.1  導數與梯度
    2.1.1  導數
    2.1.2  方嚮導數
    2.1.3  梯度
  2.2  線性代數
    2.2.1  線性變換
    2.2.2  矩陣
    2.2.3  基變換
    2.2.4  特徵值和特徵向量
  2.3  概率論
    2.3.1  概率
    2.3.2  隨機變數及其分佈
    2.3.3  隨機變數的數字特徵
    2.3.4  隨機信號中的常見分佈律
  2.4  學習規則
    2.4.1  赫布規則
    2.4.2  性能曲面和最佳點
  2.5  性能優化
    2.5.1  最速下降法
    2.5.2  牛頓法
    2.5.3  共軛梯度法
  2.6  信息與熵
    2.6.1  信息及信息量
    2.6.2  信息熵
    2.6.3  聯合熵與條件熵
    2.6.4  相對熵與交叉熵
    2.6.5  重要定理

    2.6.6  隨機過程的熵率
第二篇  神經網路篇
第3章  人工神經網路
  3.1  神經網路
    3.1.1  神經網路結構與神經元
    3.1.2  McCulloch-Pitts網路
    3.1.3  人工神經網路的拓撲結構
    3.1.4  人工神經網路的學習方式
  3.2  感知器
    3.2.1  單層感知器
    3.2.2  雙層感知器
    3.2.3  多層感知器
  3.3  BP學習演算法
  3.4  案例1：基於PCA-BP神經網路的數字儀識別技術
    3.4.1  錶盤區域提取
    3.4.2  圖像預處理
    3.4.3  字元分割
    3.4.4  字元識別的神經網路
    3.4.5  實驗設計
第4章  Hopfield神經網路
  4.1  離散Hopfield神經網路
    4.1.1  網路原理
    4.1.2  網路架構
  4.2  連續Hopfield神經網路
    4.2.1  能量函數與狀態方程
    4.2.2  網路架構
    4.2.3  優化架構
  4.3  案例2：基於連續Hopfield神經網路的三維地形路徑規劃演算法
    4.3.2  三維地形建模
    4.3.3  三維地形下路徑規劃演算法
    4.3.4  模擬實驗與結果分析
第5章  脈衝耦合神經網路
  5.1  脈衝耦合神經網路模型
    5.1.1  Eckhorn神經元模型
    5.1.2  脈衝耦合神經網路模型原理
    5.1.3  PCNN參數的作用
  5.2  PCNN點火行為
    5.2.1  無耦合連接
    5.2.2  耦合連接
  5.3  PCNN的特性
    5.3.1  變閾值特性
    5.3.2  捕獲特性
    5.3.3  動態特性
    5.3.4  同步脈衝發放特性
  5.4  交叉皮層模型
  5.5  貝葉斯連接域神經網路模型
    5.5.1  帶雜訊的神經元發放方式
    5.5.2  神經元輸入的貝葉斯耦合方式
    5.5.3  神經元之間的競爭關係
  5.6  案例3：基於PCNN和圖像熵的各向異性擴散模型

    5.6.1  各向異性擴散模型
    5.6.2  IEAD模型
    5.6.3  PCNN-IEAD模型
    5.6.4  模擬實驗與結果分析
第三篇  卷積神經網路篇
第6章  深度卷積神經網路
  6.1  深度學習框架
  6.2  卷積神經網路模型
    6.2.1  卷積神經網路基礎
    6.2.2  卷積神經網路結構
  6.3  卷積神經網路原理
    6.3.1  標準卷積
    6.3.2  卷積連接
    6.3.3  卷積層
    6.3.4  池化層
  6.4  激活函數
  6.5  學習策略
    6.5.1  損失函數
    6.5.2  批標準化
    6.5.3  多監督學習
  6.6  規範化技術
  6.7  常見的幾種卷積神經網路
    6.7.1  殘差網路
    6.7.2  遞歸結構
    6.7.3  多路徑結構
    6.7.4  稠密連接結構
    6.7.5  LeNet
    6.7.6  AlexNet
    6.7.7  GoogLeNet
  6.8  案例4：基於卷積神經網路的調製信號識別演算法
    6.8.1  信號模型和累積特徵
    6.8.2  基於卷積神經網路的調製信號識別演算法
    6.8.3  模擬實驗與結果分析
  6.9  案例5：基於深度學習的信號性能特徵分析
    6.9.1  通信信號分類特徵
    6.9.2  基於深度神經網路的有限元判別分析
    6.9.3  模擬實驗與結果分析
第7章  混合空洞卷積神經網路
  7.1  空洞卷積
    7.1.1  增加捲積多樣性的方法
    7.1.2  卷積多樣性的表徵
  7.2  空洞卷積神經網路
    7.2.1  空洞卷積的原理
    7.2.2  空洞卷積神經網路模型設計
    7.2.3  空洞卷積神經網路模型性能評價
    7.2.4  模型架構
  7.3  混合空洞卷積神經網路
    7.3.1  混合空洞卷積神經網路原理
    7.3.2  混合空洞卷積神經網路設計
    7.3.3  混合空洞卷積神經網路架構

  7.4  混合空洞FasterRCNN模型
    7.4.1  RCNN模型
    7.4.2  FastRCNN模型
    7.4.3  FasterRCNN模型
    7.4.4  混合空洞FasterRCNN模型原理
    7.4.5  HDF-RCNN模型設計
    7.4.6  HDF-RCNN模型架構
  7.5  多尺度空洞卷積神經網路
  7.6  多尺度多深度空洞卷積神經網路
  7.7  案例6：基於多尺度空洞卷積神經網路的遙感圖像融合演算法
    7.7.1  常用的遙感圖像融合演算法
    7.7.2  基於卷積神經網路的超解析度重構演算法
    7.7.3  超解析度多尺度空洞卷積神經網路
    7.7.4  模擬實驗與結果分析
  7.8  案例7：基於多尺度多深度空洞卷積神經網路的遙感圖像融合演算法
    7.8.1  多尺度多深度空洞卷積神經網路
    7.8.2  模擬實驗與結果分析
第8章  深度生成對抗與強化學習網路
  8.1  概率生成模型
    8.1.1  依概率分類
    8.1.2  密度估計
    8.1.3  生成樣本
    8.1.4  生成模型與判別模型
  8.2  變分自編碼器
    8.2.1  含隱變數的生成模型
    8.2.2  推斷網路
    8.2.3  生成網路
    8.2.4  綜合模型
    8.2.5  再參數化
    8.2.6  訓練
  8.3  生成對抗網路
    8.3.1  顯式與隱式密度模型
    8.3.2  網路分解
  8.4  深度強化對抗學習網路
    8.4.1  Exposure圖像增強模型
    8.4.2  相對對抗學習及獎勵函數
    8.4.3  評論家正則化策略梯度演算法
    8.4.4  網路結構
  8.5  循環生成對抗網路
    8.5.1  CycleGAN結構
    8.5.2  CycleGAN的損失函數
    8.5.3  改進的CycleGAN
  8.6  案例8：基於生成對抗網路的高動態範圍圖像生成技術
    8.6.1  網路模型及相關模塊
    8.6.2  HDR-GAN目標函數
    8.6.3  模擬實驗與結果分析
第四篇  循環遞歸神經網路篇
第9章  循環神經網路
  9.1  RNN模型
    9.1.1  RNN原理

    9.1.2  RNN的損失函數
    9.1.3  BPTT演算法
  9.2  基於SGD優化的RNN演算法
  9.3  基於RLS優化的RNN演算法
    9.3.1  RLS演算法
    9.3.2  RLS演算法優化RNN
    9.3.3  RLS-RNN的改進
  9.4  案例9：一種關聯RNN的非侵入式負荷辨識演算法
    9.4.1  關聯RNN的負荷辨識演算法
    9.4.2  模擬實驗與結果分析
  9.5  案例10：基於DTCWT和RNN編碼器的圖像壓縮演算法
    9.5.1  數學模型
    9.5.2  模擬實驗與結果分析
第10章  深度遞歸級聯卷積神經網路
  10.1  深度遞歸卷積神經網路
    10.1.1  遞歸卷積神經網路結構
    10.1.2  深度遞歸級聯卷積神經網路框架
  10.2  雙線性遞歸神經網路
    10.2.1  BRNN結構
    10.2.2  粒子群演算法優化BRNN
  10.33  D卷積遞歸神經網路
    10.3.13  D-CNN提取空間特徵
    10.3.2  BRNN模型
    10.3.33  D-CRNN結構
  10.4  案例11：基於注意力機制與門控循環單元的圖像去雨演算法
    10.4.1  圖像去雨的注意力機制與門控循環網路模型
    10.4.2  模擬實驗與結果分析
  10.5  案例12：基於級聯遞歸殘差卷積神經網路的單幅圖像超解析度演算法
    10.5.1  網路架構
    10.5.2  三層跳接遞歸殘差網路架構
    10.5.3  模擬實驗與結果分析
第11章  長短期記憶神經網路
  11.1  長短期記憶神經網路
    11.1.1  前向計算
    11.1.2  LSTM網路的BPTT演算法
    11.1.3  誤差項沿時間反向傳遞
    11.1.4  權重梯度計算
  11.2  雙路卷積長短期記憶神經網路
  11.3  案例13：基於LSTM網路的非合作水聲信號調製識別演算法
    11.3.1  基於通信信號瞬時特徵的LSTM分類器
    11.3.2  評估標準
    11.3.3  抗雜訊性能
    11.3.4  模擬實驗與結果分析
  11.4  案例14：混合長短期記憶網路的指紋室外定位演算法
    11.4.1  數據集和模型
    11.4.2  模擬實驗與結果分析
附錄
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