注册 登录 进入教材巡展
#

出版时间:2024-04

出版社:电子工业出版社

以下为《人工神经网络:模型、算法及应用》的配套数字资源,这些资源在您购买图书后将免费附送给您:
  • 电子工业出版社
  • 9787121435164
  • 1-3
  • 439237
  • 48253610-9
  • 平塑
  • 16开
  • 2024-04
  • 551
  • 328
  • 工学
  • 计算机科学与技术
  • 计算机科学与技术
  • 本科 研究生及以上
目录
第1章 绪论 1__eol__1.1 什么是人工神经网络 1__eol__1.2 发展历史 2__eol__1.3 人脑 4__eol__1.4 Hebb法则 7__eol__1.5 神经元模型 7__eol__1.6 神经网络的拓扑结构 9__eol__1.7 知识表示 11__eol__1.8 神经网络的学习算法 15__eol__1.9 神经网络的学习任务 17__eol__1.10 小结 20__eol__参考文献 21__eol__第2章 感知机 22__eol__2.1 引言 22__eol__2.2 实例引入 22__eol__2.3 Rosenblatt感知机 23__eol__2.3.1 感知机的结构 23__eol__2.3.2 单层感知机与多层感知机 23__eol__2.3.3 感知机的学习 27__eol__2.4 最小均方误差 27__eol__2.4.1 线性回归问题引入 27__eol__2.4.2 最小均方算法 28__eol__2.5 实战Iris模式分类 30__eol__2.6 小结 31__eol__参考文献 32__eol__习题 32__eol__第3章 多层前馈神经网络 33__eol__3.1 引言 33__eol__3.2 多层前馈神经网络模型结构 33__eol__3.3 BP神经网络 35__eol__3.3.1 BP神经网络的介绍 35__eol__3.3.2 BP算法 35__eol__3.3.3 编程实战 38__eol__3.4 RBF神经网络 41__eol__3.4.1 什么是RBF神经网络 41__eol__3.4.2 RBF神经网络的学习过程 42__eol__3.4.3 RBF神经网络与BP神经网络的区别 42__eol__3.5 泛化能力 43__eol__3.5.1 什么是泛化 43__eol__3.5.2 如何提高泛化能力 44__eol__3.6 函数逼近 46__eol__3.6.1 通用逼近定理 46__eol__3.6.2 逼近误差的边界 46__eol__3.6.3 维数灾难 47__eol__3.7 BP算法的优点和缺点 48__eol__3.7.1 BP算法的优点 48__eol__3.7.2 BP算法的缺点 49__eol__3.8 人脸识别应用 50__eol__3.8.1 人脸图像的小波变换 52__eol__3.8.2 BP神经网络的分类识别 53__eol__3.8.3 RBF神经网络的分类识别 53__eol__3.8.4 实验结果 54__eol__3.9 小结 55__eol__参考文献 55__eol__习题 56__eol__第4章 正则化理论 57__eol__4.1 引言 57__eol__4.2 良态问题的Hadamard条件 58__eol__4.3 正则化理论 58__eol__4.4 正则化网络 66__eol__4.5 广义RBF神经网络 66__eol__4.6 正则化最小二乘估计 69__eol__4.7 半监督学习 71__eol__4.8 正则化参数估计 71__eol__4.9 流形正则化 75__eol__4.10 广义正则化理论 76__eol__4.11 用半监督学习对模式分类的__eol__实验 77__eol__4.12 小结 79__eol__参考文献 80__eol__习题 81__eol__第5章 极限学习机模型及应用 84__eol__5.1 引言 84__eol__5.2 预备知识 84__eol__5.2.1 核方法 84__eol__5.2.2 支持向量机 86__eol__5.3 极限学习机模型 91__eol__5.4 核极限学习机 94__eol__5.5 正则极限学习机 95__eol__5.6 基于正则极限学习机的图像复原 97__eol__5.7 基于正规方程式的核极限学习机 99__eol__5.7.1 模型结构与算法 99__eol__5.7.2 基于NE-KELM的模式识别实验 101__eol__5.8 基于共轭梯度的核极限学习机 103__eol__5.8.1 共轭梯度法 104__eol__5.8.2 模型结构与算法 104__eol__5.8.3 基于CG-KELM的图像复原实验 105__eol__5.9 流形正则化核极限学习机 107__eol__5.9.1 流形正则化核极限学习机的模型结构与算法 107__eol__5.9.2 基于MR-KELM的糖尿病检测实验 107__eol__5.10 基于核极限学习机的医疗诊断系统 108__eol__5.10.1 PL-KELM的流程 108__eol__5.10.2 基于PL-KELM的模式识别实验 110__eol__5.10.3 肿瘤细胞识别系统 111__eol__5.11 小结 112__eol__参考文献 113__eol__习题 114__eol__第6章 形态神经网络 115__eol__6.1 引言 115__eol__6.2 形态学算法基础 115__eol__6.2.1 数学形态学的定义 115__eol__6.2.2 数学形态滤波 116__eol__6.3 形态神经网络模型 117__eol__6.4 形态联想记忆神经网络模型及其摄动鲁棒性 118__eol__6.4.1 MAM神经网络的数学基础与相关定义 118__eol__6.4.2 两种MAM神经网络的摄动鲁棒性 119__eol__6.5 进化形态神经网络 123__eol__6.5.1 进化形态神经网络的学习算法 124__eol__6.5.2 基于进化形态神经网络的图像复原 125__eol__6.6 小结 127__eol__参考文献 127__eol__习题 129__eol__第7章 自组织映射 130__eol__7.1 引言 130__eol__7.2 两个基本的特征映射模型 131__eol__7.3 SOM概述 132__eol__7.4 特征映射的性质 137__eol__7.5 核SOM概述 142__eol__7.6 小结 148__eol__参考文献 149__eol__习题 149__eol__第8章 卷积神经网络模型及应用 151__eol__8.1 引言 151__eol__8.2 卷积神经网络模型 152__eol__8.2.1 卷积神经网络的基本结构和原理 152__eol__8.2.2 LeNet-5 159__eol__8.2.3 AlexNet 160__eol__8.2.4 VGGNet 167__eol__8.2.5 Inception 170__eol__8.2.6 ResNet 179__eol__8.2.7 Inception-ResNet 188__eol__8.3 基于卷积神经网络的白细胞分类 190__eol__8.3.1 白细胞图像去噪 191__eol__8.3.2 基于k-Means颜色聚类算法的显微白细胞图像分割 194__eol__8.3.3 基于改进卷积神经网络的显微__eol__白细胞图像识别 195__eol__8.4 结合卷积神经网络和极限学习机的人脸识别 200__eol__8.4.1 卷积神经网络参数训练 201__eol__8.4.2 正则极限学习机进行图像分类 202__eol__8.4.3 基于CNN-RELM的人脸识别模型实验与对比分析 203__eol__8.5 基于深度迁移学习的肿瘤细胞图像识别 206__eol__8.5.1 引言 206__eol__8.5.2 正则化与迁移学习 207__eol__8.5.3 基于深度迁移学习的肿瘤细胞图像识别 208__eol__8.6 小结 212__eol__参考文献 212__eol__习题 213__eol__第9章 生成对抗网络模型 214__eol__9.1 引言 214__eol__9.2 预备知识 214__eol__9.2.1 GAN基础模型 215__eol__9.2.2 GAN训练 216__eol__9.2.3 平衡状态 216__eol__9.2.4 为什么学习GAN 217__eol__9.2.5 GAN概述 218__eol__9.2.6 显式密度模型 218__eol__9.2.7 隐式密度模型 218__eol__9.2.8 GAN与其他生成算法比较 218__eol__9.3 GAN的基础理论 219__eol__9.3.1 GAN的基础——对抗训练 219__eol__9.3.2 损失函数 220__eol__9.3.3 训练过程 220__eol__9.3.4 生成器和鉴别器 221__eol__9.3.5 目标冲突 222__eol__9.3.6 混淆矩阵 222__eol__9.3.7 GAN训练算法 223__eol__9.4 训练和常见挑战 223__eol__9.4.1 评价 223__eol__9.4.2 评价框架 224__eol__9.4.3 Inception Score 225__eol__9.4.4 Frechet Inception Distance(FID) 225__eol__9.4.5 训练挑战 226__eol__9.4.6 增加网络深度 226__eol_