神经网络原理2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

神经网络原理PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 导言1

1.1什么是神经网络1

1.2人脑4

1.3神经元模型7

1.4看作有向图的神经网络10

1.5反馈12

1.6网络结构13

1.7知识表示15

1.8人工智能和神经网络22

1.9历史注释24

注释和参考文献29

习题30

第2章 学习过程33

2.1简介33

2.2误差修正学习34

2.3基于记忆的学习35

2.4 Hebb学习36

2.5竞争学习39

2.6 Boltzmann学习40

2.7信任赋值问题41

2.8有教师学习42

2.9无教师学习43

2.10学习任务44

2.11记忆50

2.12自适应56

2.13学习过程的统计性质57

2.14统计学习理论60

2.15 可能近似正确的学习模型69

2.16小结和讨论72

注释和参考文献73

习题77

第3章 单层感知器81

3.1简介81

3.2自适应滤波问题82

3.3无约束最优化技术83

3.4线性最小二乘滤波器87

3.5最小均方算法89

3.6学习曲线92

3.7学习率退火进度93

3.8感知器94

3.9感知器收敛定理94

3.10 Gauss环境下感知器与Bayes分类器的关系99

3.11小结和讨论102

注释和参考文献103

习题105

第4章 多层感知器109

4.1简介109

4.2预备知识111

4.3反向传播算法112

4.4反向传播算法小结121

4.5异或问题123

4.6改善反向传播算法性能的试探法125

4.7输出表示和决策规则129

4.8计算机实验131

4.9特征检测140

4.10反向传播和微分142

4.11 Hessian矩阵143

4.12泛化144

4.13函数逼近146

4.14交叉确认150

4.15 网络修剪技术154

4.16反向传播学习的优点和局限160

4.17反向传播学习的加速收敛165

4.18作为最优化问题看待的有监督学习165

4.19卷积网络173

4.20小结和讨论175

注释和参考文献176

习题178

第5章 径向基函数网络183

5.1简介183

5.2模式可分性的Cover定理184

5.3插值问题187

5.4作为不适定超曲面重建问题的监督学习189

5.5正则化理论191

5.6正则化网络198

5.7广义径向基函数网络199

5.8 XOR问题（再讨论）202

5.9正则化参数估计203

5.10 RBF网络的逼近性质207

5.11 RBF网络与多层感知器的比较209

5.12核回归及其与RBF网络的关系210

5.13学习策略213

5.14计算机实验：模式分类218

5.15 小结和讨论220

注释和参考文献221

习题224

第6章 支持向量机229

6.1简介229

6.2线性可分模式的最优超平面230

6.3不可分模式的最优超平面234

6.4怎样建立用于模式识别的支持向量机237

6.5例子：XOR问题（再讨论）241

6.6计算机实验243

6.7ε-不敏感损失函数245

6.8用于非线性回归的支持向量机245

6.9小结和讨论247

注释和参考文献249

习题250

第7章 委员会机器253

7.1简介253

7.2总体平均254

7.3计算机实验Ⅰ256

7.4推举257

7.5计算机实验Ⅱ262

7.6联想Gauss混合模型264

7.7分层混合专家模型268

7.8使用标准决策树的模型选择269

7.9先验和后验概率272

7.10最大似然估计273

7.11 HME模型的学习策略274

7.12 EM算法275

7.13 EM算法在HME模型中的应用276

7.14小结和讨论278

注释和参考文献279

习题281

第8章 主分量分析285

8.1简介285

8.2自组织的一些直观原则285

8.3主分量分析287

8.4基于Hebb的最大特征滤波器293

8.5基于Hebb的主分量分析299

8.6计算机实验：图像编码303

8.7使用侧向抑制的自适应主分量分析305

8.8两类PCA算法311

8.9计算的集中式方法和自适应方法312

8.10核主分量分析313

8.11小结和讨论316

注释和参考文献318

习题319

第9章 自组织映射321

9.1简介321

9.2两个基本的特征映射模型322

9.3自组织映射323

9.4 SOM算法小结328

9.5特征映射的性质329

9.6计算机仿真334

9.7学习向量量化337

9.8计算机实验：自适应模式分类338

9.9分层向量量化340

9.10上下文映射342

9.11小结和讨论344

注释和参考文献345

习题347

第10章 信息论模型351

10.1简介351

10.2熵352

10.3最大熵原则355

10.4互信息357

10.5 Kullback-L eibler散度359

10.6互信息作为最优化的目标函数361

10.7最大互信息原则362

10.8最大互信息和冗余减少365

10.9空间相干特征367

10.10空间非相干特征368

10.11独立分量分析371

10.12计算机实验380

10.13最大似然估计381

10.14最大熵方法384

10.15 小结和讨论387

注释和参考文献388

习题393

第11章 植根于统计力学的随机机器和它们的逼近397

11.1简介397

11.2统计力学398

11.3 Markov链399

11.4 Metropolis算法404

11.5模拟退火406

11.6 Gibbs抽样408

11.7 Boltzmann机409

11.8 sigmoid信度网络413

11.9 Helmholtz机417

11.10平均场理论418

11.11确定性的Boltzmann机419

11.12确定性的sigmoid信度网络420

11.13确定性退火425

11.14小结和讨论429

注释和参考文献431

习题433

第12章 神经动态规划439

12.1简介439

12.2 Markov决策过程440

12.3 Bellman最优准则442

12.4策略迭代445

12.5值迭代446

12.6神经动态规划449

12.7逼近策略迭代451

12.8 Q-学习453

12.9计算机实验456

12.10小结和讨论458

注释和参考文献460

习题461

第13章 使用前馈网络的时序处理463

13.1简介463

13.2短期记忆结构464

13.3用于时序处理的网络体系结构467

13.4集中式时滞前馈网络469

13.5计算机实验471

13.6通用短视映射定理472

13.7神经元的时空模型473

13.8分布式时滞前馈网络476

13.9时序反向传播算法476

13.10小结和讨论481

注释和参考文献482

习题482

第14章 神经动力学485

14.1简介485

14.2动态系统486

14.3平衡状态的稳定性489

14.4吸引子492

14.5神经动态模型493

14.6作为递归网络范例的吸引子操作496

14.7 Hopfield模型497

14.8计算机实验Ⅰ509

14.9 Cohen-Grossberg定理513

14.10盒中脑状态模型514

14.11计算机实验Ⅱ518

14.12奇异吸引子和混沌519

14.13动态重构523

14.14计算机实验Ⅲ525

14.15 小结和讨论528

注释和参考文献530

习题532

第15章 动态驱动的递归网络537

15.1简介537

15.2递归网络体系结构538

15.3状态空间模型542

15.4有外部输入的非线性自回归模型547

15.5递归网络的计算能力548

15.6学习算法549

15.7通过时间的反向传播551

15.8实时递归学习554

15.9 Kalman滤波器558

15.10解藕扩展的Kalman滤波器561

15.11计算机实验565

15.12递归网络的消失梯度567

15.13系统辨识569

15.14模型参考自适应控制571

15.15 小结和讨论573

注释和参考文献574

习题576

后记581

参考文献585

索引623