搜索
高级检索
高级搜索
书       名 :
著       者 :
出  版  社 :
I  S  B  N:
出版时间 :
无库存
人工神经网络理论及应用
0.00     定价 ¥ 49.80
泸西县图书馆
此书还可采购1本,持证读者免费借回家
  • ISBN:
    9787111559443
  • 作      者:
    韩力群,施彦
  • 出 版 社 :
    机械工业出版社
  • 出版日期:
    2024-06-01
收藏
畅销推荐
作者简介
  韩力群,工学博士,北京工商大学计算机与信息工程学院教授,北京科技大学、北京邮电大学客座教授,发展中国家工程技术科学院(AETDEW)院士。长期从事神经网络理论及应用、模式识别与智能系统、智能控制等人工智能领域的研究与教学,主持和主研各类科研与教研项目40余项,发表论文近150篇,出版学术著作15部,获国家发明专利4项。
  韩力群教授曾任中国人工智能学会第五届、第六届理事会副理事长,教育部自动化专业第一届、第二届教学指导委员会委员。现任中国人工智能学会智能产品与产业工作委员会主任,中国计算机用户协会仿真应用分会副理事长,全国智能机器人创新联盟常务副理事长兼秘书长,(国家体育总局)中国素质体育机器人运动工作委员会副主任兼专家委主任,(教育部)全国学校机器人联盟副主席,核心期刊《计算机仿真》编委会副主任、《智能系统学报》编委会副主任。
  
  施彦,工学博士,原北京工商大学副教授。2000年北京理工大学获工学学士学位(工业自动化),2005年获博士学位(控制理论与控制工程),同年到北京工商大学任教。曾赴美国明尼苏达大学和清华大学作双语教学培训和人工智能方向访问研究。长期从事人工智能、智能信息处理以及仿真等领域的教学工作,并围绕化工、农业、物流、经济等行业的智能信息处理和决策问题开展科学研究。发表相关论文十余篇,出版学术著作3部。
展开
内容介绍
  《人工神经网络理论及应用》系统地论述了人工神经网络的主要理论、设计基础、zui新进展及应用实例,旨在使读者了解神经网络的发展背景和研究对象,理解和熟悉它的基本原理和主要应用,掌握它的结构模型和设计应用方法,为深入研究和应用开发打下基础。为了便于读者理解,书中尽量避免烦琐的数学推导,加强了应用举例,并在内容的选择和编排上注意到读者初次接触新概念的易接受性和思维的逻辑性。作为扩展知识,书中还介绍了人工神经系统的基本概念、体系结构、控制特性及信息模式。
  两位作者多年来为控制与信息类专业研究生开设“人工神经网络理论与应用”课程,在多次修改讲义和结合多项科研成果的基础上撰写成此书,此书适合高校控制与信息类专业研究生、智能科学技术专业本科生以及各类科技人员阅读。
展开
目录
前言

第1章 绪论
1.1 人工神经网络概述
1.1.1 人脑与计算机信息处理能力的比较
1.1.2 人脑与计算机信息处理机制的比较
1.1.3 什么是人工神经网络
1.2 人工神经网络发展简史
1.2.1 启蒙时期
1.2.2 低潮时期
1.2.3 复兴时期
1.2.4 新时期
1.2.5 海量数据时代
1.2.6 国内研究概况
1.3 神经网络的基本特征与功能
1.3.1 神经网络的基本特点
1.3.2 神经网络的基本功能
1.4 神经网络的应用领域
1.4.1 信息处理领域
1.4.2 自动化领域
1.4.3 工程领域
1.4.4 医学领域
1.4.5 经济领域
本章小结
习题

第2章 人工神经网络建模基础
2.1 脑的生物神经系统概述
2.1.1 人体神经系统的构成
2.1.2 高级中枢神经系统的功能
2.1.3 脑组织的分层结构
2.2 生物神经网络基础
2.2.1 生物神经元的结构
2.2.2 生物神经元的信息处理机理
2.3 人工神经元模型
2.3.1 神经元的建模
2.3.2 神经元的数学模型
2.3.3 神经元的变换函数
2.4 人工神经网络模型
2.4.1 网络拓扑结构类型
2.4.2 网络信息流向类型
2.5 神经网络学习
2.5.1 Hebbian学习规则
2.5.2 离散感知器学习规则
2.5.3 连续感知器学习规则
2.5.4 最小方均学习规则
2.5.5 相关学习规则
2.5.6 胜者为王学习规则
2.5.7 外星学习规则
本章小结
习题

第3章 感知器神经网络
3.1 单层感知器
3.1.1 感知器模型
3.1.2 感知器的功能
3.1.3 感知器的局限性
3.1.4 感知器的学习算法
3.2 多层感知器
3.3 自适应线性单元简介
3.3.1 ADALINE模型
3.3.2 ADALINE学习算法
3.3.3 ADALINE应用
3.4 误差反传算法
3.4.1 基于BP算法的多层感知器模型
3.4.2 BP学习算法
3.4.3 BP算法的程序实现
3.4.4 多层感知器的主要能力
3.4.5 误差曲面与BP算法的局限性
3.5 标准BP算法的改进
3.5.1 增加动量项
3.5.2 自适应调节学习率
3.5.3 引入陡度因子
3.6 基于BP算法的多层感知器设计基础
3.6.1 网络信息容量与训练样本数
3.6.2 训练样本集的准备
3.6.3 初始权值的设计
3.6.4 多层感知器结构设计
3.6.5 网络训练与测试
3.7 基于BP算法的多层感知器应用与设计实例
3.7.1 基于BP算法的多层感知器用于催化剂配方建模
3.7.2 基于BP算法的多层感知器用于汽车变速器最佳挡位判定
3.7.3 基于BP算法的多层感知器用于图像压缩编码
3.7.4 基于BP算法的多层感知器用于水库群优化调度
3.8 基于MATLAB的BP网络应用实例
3.8.1 BP网络用于数据拟合
3.8.2 BP网络用于鸢尾花分类问题
扩展资料
本章小结
习题

第4章 自组织竞争神经网络
4.1 竞争学习的概念与原理
4.1.1 基本概念
4.1.2 竞争学习原理
4.2 自组织特征映射神经网络
4.2.1 SOFM网的生物学基础
4.2.2 SOFM网的拓扑结构与权值调整域
4.2.3 自组织特征映射网的运行原理与学习算法
4.2.4 SOFM网的设计基础
4.2.5 应用与设计实例
4.3 学习向量量化神经网络
4.3.1 向量量化
4.3.2 LVQ网络结构与工作原理
4.3.3 LVQ网络的学习算法
4.4 对偶传播神经网络
4.4.1 网络结构与运行原理
4.4.2 CPN的学习算法
4.4.3 改进的CPN网
4.4.4 CPN网的应用
4.5 自适应共振理论网络
4.5.1 ART Ⅰ型网络
4.5.2 ARTⅡ型网络
4.6 基于MATLAB的SOM网络聚类实例
扩展资料
本章小结
习题

第5章 径向基函数神经网络
5.1 基于径向基函数技术的函数逼近与内插
5.1.1 插值问题描述
5.1.2 径向基函数技术解决插值问题
5.1.3 完全内插存在的问题
5.2 正则化理论与正则化RBF网络
5.2.1 正则化理论
5.2.2 正则化RBF网络
5.3 模式可分性观点与广义RBF网络
5.3.1 模式的可分性
5.3.2 广义RBF网络
5.4 RBF网络常用学习算法
5.4.1 数据中心的聚类算法
5.4.2 数据中心的监督学习算法
5.5 RBF网络与多层感知器的比较
5.6 RBF网络的设计与应用实例
5.6.1 RBF网络在液化气销售量预测中的应用
5.6.2 RBF网络在地表水质评价中的应用
5.6.3 RBF网络在汽油干点软测量中的应用
5.7 基于MATLAB的RBF网络应用
……
第6章 反馈神经网络
第7章 小脑模型神经网络
第8章 深度神经网络
第9章 支持向量机
第10章 遗传算法与神经网络进化
第11章 神经网络系统设计与软硬件实现
第12章 人工神经系统
参考文献
展开
加入书架成功!
收藏图书成功!
我知道了(3)
发表书评
读者登录

温馨提示:请使用泸西县图书馆的读者帐号和密码进行登录

点击获取验证码
登录