深度学习与信号处理 原理与实践

本书系统地分析与提炼了深度学习的知识体系结构，按原理、框架、方法和应用的顺序组织内容，并以提高用深度学习原理来解决实际问题的能力为目标，集基础性、系统性、延展性、实践性等特点于一体。（1）基础性：从问题导入着手，对每种深度学习网络的基本结构，进行深入剖析，以帮助读者体会其中的细节，带领读者步入深度学习网络的内核世界。（2）系统性：所涉及各种深度学习网络起始于原理剖析、侧重于方法论述、扎根于信号处理领域，内容结构系统。（3）延展性：按深度学习网络“基本模型结构原理、进阶模型结构原理及应用模型结构原理”的顺序递进延伸，扩大了其在信号处理领域的应用范围。（4）实践性：以*新应用成果为依托，从问题引入、原理分析、模型建立、仿真实验及结果讨论等方面，详细分析实战案例，有助于读者自行实践。以上特点有助于为研究人员提供新思路和新方法。

本书分析研究了深度学习相关的网络模型，以及不同网络模型的算法结构、原理与核心思想及实战案例。主要内容涉及人工神经网络、模糊神经网络、概率神经网络、小波神经网络、卷积神经网络及其扩展模型、深度生成对抗网络及其扩展模型、深度受限玻尔兹曼机及其扩展模型、深度信念网络及其扩展模型、深度自编码器及其扩展模型等深度学习网络结构、原理与方法。通过深度学习网络在信道盲均衡、目标识别、图像分类和运动模糊去除、特征提取与识别、缺陷早期诊断等领域中的应用案例，为读者提供应用深度学习网络解决具体问题的思路和方法。 本书适合人工智能、计算机、自动化、电子与通信、大数据科学等相关学科专业的科学研究人员和工程技术人员阅读，也可作为相关专业博士、硕士研究生的参考书。

郭业才，男，教授，博导。1986年毕业于安庆师范学院物理专业；2003年获西北工业大学水声工程专业博士学位，是全国百篇优秀博士学位论文获得者。曾任安徽省学术与技术带头人、江苏省高校“传感网与现代气象装备”优势学科方向带头人。现为江苏省“六大人才高峰”培养对象、江苏省高校“信息与通信工程” 优势学科方向带头人。主持全国优秀博士学位论文作者专项资金、国家自然科学基金和重量省级教学研究等项目，共20余项；获省级科研和教学成果奖7项；获批国家级规划教材1部、教育部电子信息类教指委规划教材3部及省重点教材1部；获授权发明专利30余件。正在指导统招博士、硕士研究生、留学研究生30余名，5篇硕士学位论文获省优秀硕士学位论文奖。

前言
第1章 初识深度学习
1.1 深度学习有多深
1.1.1 深度学习概念
1.1.2 深度学习发展
1.2 深度学习如何学
1.2.1 机器学习的一般方法
1.2.2 深度学习的一般方法
1.3 深度学习如何提速
1.3.1 基于冯·诺依曼结构的加速芯片
1.3.2 基于人脑神经元结构的加速芯片
1.4 主流深度学习框架
1.5 本书内容与体系结构
第2章 人工神经网络
2.1 神经网络演进
2.1.1 神经元
2.1.2 单层神经网络（感知器）
2.1.3 两层神经网络（多层感知器）
2.1.4 偏置单元
2.2 神经网络训练与预测
2.2.1 神经网络训练
2.2.2 神经网络预测
2.3 优化算法
2.3.1 梯度下降法
2.3.2 梯度下降法的变体
2.3.3 优化梯度下降算法
2.4 计算图
2.4.1 计算图含义
2.4.2 Affine层/Softmax层的计算图
2.4.3 激活函数的计算图
2.5 正则化惩罚项
2.5.1 参数范数惩罚
2.5.2 L2参数正则化
2.5.3 L1参数正则化
2.6 神经网络BP算法
2.6.1 BP算法思想
2.6.2 BP网络特性分析——BP三要素
2.7 过拟合与欠拟合
2.7.1 基本概念
2.7.2 以减少特征变量方法防止过拟合
2.7.3 以权重正则化方法防止过拟合
2.7.4 以交叉验证方式防止过拟合
2.7.5 以Dropout正则化防止过拟合
2.7.6 贝叶斯正则化
2.8 实例1：基于前馈神经网络的动量盲均衡算法
2.8.1 算法原理
2.8.2 仿真实验与结果分析
第3章 模糊神经网络
3.1 隶属函数
3.1.1 专家调查法
3.1.2 模糊统计法
……
第4章 概率神经网络
第5章 小波神经网络
第6章 卷积神经网络
第7章 深度生成对抗网络
第8章 深度受限玻尔兹曼机
第9章 深度信念网络
第10章 深度自编码器
参考文献