123,123,123

內(nèi)容簡(jiǎn)介

　　人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，ANN）是模擬生物神經(jīng)系統(tǒng)的組織結(jié)構(gòu)、處理方式和系統(tǒng)功能的簡(jiǎn)化人工系統(tǒng)；是一門涉及面廣、綜合性強(qiáng)、有半個(gè)多世紀(jì)研究歷史的跨領(lǐng)域交叉學(xué)科，涉及自動(dòng)化、電子工程、計(jì)算機(jī)科學(xué)、數(shù)學(xué)、統(tǒng)計(jì)學(xué)、神經(jīng)生物學(xué)、心理思維科學(xué)等眾多相關(guān)學(xué)科；由于其并行計(jì)算、分布式存儲(chǔ)、高度容錯(cuò)、非線性自適應(yīng)處理能力等顯著特點(diǎn)，在模式識(shí)別、智能控制、組合優(yōu)化、系統(tǒng)辨識(shí)與預(yù)測(cè)以及智能信息處理等領(lǐng)域都得到廣泛的成功應(yīng)用。20世紀(jì)80年代中期以來(lái)，人工神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱“神經(jīng)網(wǎng)絡(luò)”）研究不斷地涌現(xiàn)出新的熱潮，我國(guó)學(xué)術(shù)界也開始更深入地關(guān)注和引領(lǐng)該領(lǐng)域的研究與發(fā)展。近20年來(lái)，神經(jīng)網(wǎng)絡(luò)的理論研究和實(shí)際應(yīng)用在許多領(lǐng)域取得了顯著的進(jìn)展，在國(guó)內(nèi)外都進(jìn)入了一個(gè)蓬勃發(fā)展的好時(shí)期。在神經(jīng)網(wǎng)絡(luò)理論日漸成熟，它的應(yīng)用逐漸擴(kuò)大和深入的形勢(shì)下，如何把握神經(jīng)網(wǎng)絡(luò)新的研究方向，向讀者以及廣大神經(jīng)網(wǎng)絡(luò)研究者介紹神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論的最新發(fā)展，成為神經(jīng)網(wǎng)絡(luò)教科工作者面臨的一大挑戰(zhàn)。本書系統(tǒng)化地闡述了筆者在人工神經(jīng)網(wǎng)絡(luò)方面的最新研究成果，既給讀者提供了神經(jīng)網(wǎng)絡(luò)研究中的新方向、新思路、新視角，又給出了一個(gè)相對(duì)全面的介紹，可供相關(guān)領(lǐng)域研究人員、教師、學(xué)生參考。通過(guò)分析、探討傳統(tǒng)學(xué)習(xí)型神經(jīng)網(wǎng)絡(luò)及其算法存在的諸多尚未解決的內(nèi)在不確定性問(wèn)題，從神經(jīng)生物學(xué)角度出發(fā)和思考，在函數(shù)逼近論相關(guān)知識(shí)點(diǎn)啟發(fā)下，本書提出了一種神經(jīng)網(wǎng)絡(luò)權(quán)值直接確定的方法。不同于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)迭代學(xué)習(xí)思想，新方法可以一步直接計(jì)算出學(xué)習(xí)型神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值，展示其在計(jì)算速度和學(xué)習(xí)精度方面的優(yōu)越性?？紤]到人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)與其性能有著密切的關(guān)系，因此，圍繞網(wǎng)絡(luò)結(jié)構(gòu)（隱神經(jīng)元數(shù)）進(jìn)行性能優(yōu)化一直以來(lái)都是人工神經(jīng)網(wǎng)絡(luò)研究的一個(gè)重要方向；基于提出的權(quán)值直接確定方法，本書提出了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（隱神經(jīng)元數(shù)）最優(yōu)確定算法，從而可以快速確定性地得到神經(jīng)網(wǎng)絡(luò)的最佳（或較佳）拓?fù)浣Y(jié)構(gòu)。

作者簡(jiǎn)介

暫缺《A6 神經(jīng)網(wǎng)絡(luò)權(quán)值直接確定法》作者簡(jiǎn)介

圖書目錄

第1章　人工神經(jīng)網(wǎng)絡(luò)概述
　1.1　神經(jīng)網(wǎng)絡(luò)的基本概念
　　1.1.1　什么是人工神經(jīng)網(wǎng)絡(luò)
　　1.1.2　人工神經(jīng)網(wǎng)絡(luò)的生物學(xué)基礎(chǔ)
　　1.1.3　人工神經(jīng)元模型
　　1.1.4　人工神經(jīng)網(wǎng)絡(luò)模型
　　1.1.5　神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
　1.2　神經(jīng)網(wǎng)絡(luò)發(fā)展簡(jiǎn)史
　1.3　神經(jīng)網(wǎng)絡(luò)應(yīng)用
　　1.3.1　模式識(shí)別
　　1.3.2　自動(dòng)控制
　　1.3.3　信號(hào)處理
　　1.3.4　人工智能
　參考文獻(xiàn)
第2章　傳統(tǒng)神經(jīng)網(wǎng)絡(luò)及學(xué)習(xí)算法
　2.1　感知器
　　2.1.1　簡(jiǎn)單單層感知器網(wǎng)絡(luò)
　　2.1.2　單層感知器神經(jīng)網(wǎng)絡(luò)
　　2.1.3　單層感知器的有教師學(xué)習(xí)算法
　　2.1.4　單層感知器網(wǎng)絡(luò)的局限性
　2.2　徑向基網(wǎng)絡(luò)
　2.3　Hopfield神經(jīng)網(wǎng)絡(luò)
　2.4　誤差回傳(BP)神經(jīng)網(wǎng)絡(luò)
　2.5　MATLAB神經(jīng)網(wǎng)絡(luò)工具箱
　參考文獻(xiàn)
第3章　BP神經(jīng)網(wǎng)絡(luò)
　3.1　BP神經(jīng)網(wǎng)絡(luò)的發(fā)展
　3.2　BP神經(jīng)元及神經(jīng)網(wǎng)絡(luò)模型
　3.3　BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
　　3.3.1　信號(hào)的正向傳遞
　　3.3.2　BP學(xué)習(xí)算法的誤差反向傳播與權(quán)值閾值更新增量
　　3.3.3　網(wǎng)絡(luò)權(quán)值閾值更新公式
　3.4　BP神經(jīng)網(wǎng)絡(luò)的局限
　　3.4.1　局部極小點(diǎn)
　　3.4.2　學(xué)習(xí)／收斂速度慢
　　3.4.3　網(wǎng)絡(luò)結(jié)構(gòu)難以確定
　3.5　標(biāo)準(zhǔn)BP算法的改進(jìn)
　　3.5.1　增加動(dòng)量項(xiàng)的BP學(xué)習(xí)算法
　　3.5.2　可變學(xué)習(xí)率的BP算法
　　3.5.3　彈性BP學(xué)習(xí)算法
　　3.5.4　共軛梯度法改進(jìn)
　　3.5.5　Levenber9—Marquardt算法
　3.6　計(jì)算機(jī)簡(jiǎn)單示例
　參考文獻(xiàn)
第4章　權(quán)值直接確定法
　4.1　相關(guān)數(shù)學(xué)基礎(chǔ)
　　4.1.1　最佳逼近理論
　　4.1.2　多元多項(xiàng)式的逼近理論
　　4.1.3　矩陣偽逆與線性方程組求解
　4.2　冪激勵(lì)前向神經(jīng)網(wǎng)絡(luò)
　　4.2.1　網(wǎng)絡(luò)模型與理論基礎(chǔ)
　　4.2.2　基于BP算法的迭代公式
　　4.2.3　權(quán)值直接確定公式
　　4.2.4　計(jì)算機(jī)仿真實(shí)例
　　4.2.5　小結(jié)與思考
　參考文獻(xiàn)
　附錄
第5章　權(quán)值可直接確定的神經(jīng)網(wǎng)絡(luò)模型（一）
第6章　權(quán)值可直接確定的神經(jīng)網(wǎng)絡(luò)模型（二）
第7章　權(quán)值可直接確定的其他神經(jīng)網(wǎng)絡(luò)模型
第8章　神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自確定
第9章　基于值直接確定法的網(wǎng)絡(luò)結(jié)構(gòu)自確定算法
第10章　多輸入神經(jīng)網(wǎng)絡(luò)權(quán)值與結(jié)構(gòu)確定