神经网络入门与实战

本教材将原有的面向硕士研究生和博士研究生的课程内容，通过老师们的详细解读，适用于本科生的课堂教学。因此，从理论环节到应用案例，都要亲自体验和根据本科生数学基础进行调整和详细解读，才能让本科学生接受有深度难度的专业课程。本书注重对数学分析方法和性能优化的讨论，强调神经网络在模式识别、信号处理和控制 系统等实际工程问题中的应用。书中包含大量例题和习题，并配有13个基于MATLAB软件的计算机实验程序。本书适于作研究生或大学高年级学生的教材，也可作希望深入学习神经网络的科技人员的参考书。

本书共分为9章，第1章介绍神经网络的概念、特点、拓扑结构和应用，第2章介绍感知器模型、处理单元模型、学习策略、局限性和收敛性，第3章介绍BP神经网络，第4章介绍支持向量机，第5章介绍深度学习网络及应用，第6章介绍强化学习，第7章介绍极限学习及应用，第8、9章介绍神经网络在文字识别、语音生成与识别、图像生成与识别等领域的应用。
本书适合电子、自动化、物联网、计算机、人工智能、大数据等专业本科生和研究生学习，也可供人工智能领域相关的从业人员学习使用。

杨巨成 天津科技大学教授 天津市 “131”创新型人才培养工程第一层次人选，主持“十三五”教改重点项目“产教融合育人体制机制研究--基于物联网工程专业产教融合实践”，主持教育部协同育人项目多个，主编出版物联网专业教材3部，教改论文多篇，曾获天津市教学成果奖一等奖。其余作者均为天津科技大学教师，从事物联网教学和科研多年。

第1章 概述
1.1 人工神经网络简介
1.1.1 人工神经网络的基本概念
1.1.2 人工神经网络的发展史
1.1.3 神经网络的研究内容
1.2 神经网络的特点
1.3 神经网络的结构
1.4 人工神经网络的分类
1.5 人工神经网络的学习方式
1.6 人工神经网络的应用
1.6.1 人工神经网络在全球气候变化中的应用
1.6.2 人工神经网络在控制系统中的应用
1.6.3 人工神经网络在疾病预后研究中的应用
第2章 感知器
2.1 感知器元件
2.1.1 神经元
2.1.2 神经元参数
2.1.3 组合功能
2.1.4 激活功能
2.1.5 输出功能
2.1.6 结论
2.2 感知器模型
2.2.1 超平面的定义
2.2.2 数据集的线性可分
2.3 感知器学习算法
2.3.1 感知器学习算法的原始形式
2.3.2 感知器学习算法的对偶形式
2.4 感知器的收敛性
2.5 感知器应用举例
2.5.1 问题描述
2.5.2 添加权重和阈值
2.5.3 建立决策模型
2.5.4 向量化
2.5.5 神经网络的运作过程
2.6 感知器的局限性
2.6.1 感知器能做什么
2.6.2 感知器不能做什么
第3章 BP神经网络
3.1 前向传播
3.2 反向传播
第4章 支持向量机
4.1 问题提出
4.2 SVM问题
4.2.1 支持向量与样本间隔
4.2.2 支持向量机形式化描述
4.3 对偶问题
4.3.1 SVM问题的对偶问题
4.3.2 对偶问题再讨论
4.3.3 对偶问题求解
4.4 核函数
4.4.1 如何处理非线性可分数据
4.4.2 核函数的提出
4.4.3 几种常见的核函数
4.5 软间隔与正则化
4.5.1 如何处理噪声数据
4.5.2 软间隔支持向量机
4.5.3 软间隔支持向量机对偶问题
4.5.4 正则化
第5章 深度学习
5.1 深度神经网络概述
5.2 深度卷积神经网络
5.2.1 卷积算子
5.2.2 卷积的特征
5.3 深度卷积神经网络的典型结构
5.3.1 基本网络结构
5.3.2 网络结构模式
5.4 深度卷积神经网络的层
5.4.1 卷积层
5.4.2 池化层
5.4.3 激活层
5.5 深度卷积神经网络在图像识别中的应用
第6章 强化学习
6.1 强化学习概述
6.2 强化学习问题建模——马尔可夫决策过程
6.3 强化学习算法简介
6.3.1 基于值函数的策略学习方法
6.3.2 策略搜索算法
6.4 深度强化学习
6.5 小结
第7章 极限学习
7.1 极限学习概述
7.2 极限学习算法
7.3 极限学习的改进
7.3.1 核极限学习
7.3.2 增量型极限学习
7.3.3 深度极限学习
7.4 极限学习的应用
7.4.1 极限学习在图像分类中的应用
7.4.2 极限学习在入侵检测中的应用
7.4.3 极限学习在故障识别中的应用
7.5 小结
第8章 TensorFlow机器学习平台
8.1 TensorFlow起源
8.2 TensorFlow简介
8.3 TensorFlow的特征
8.4 TensorFlow使用对象、环境及兼容性
8.5 TensorFlow的其他模块
8.6 安全性
第9章 神经网络的应用
9.1 基于神经网络的图像处理
9.2 基于神经网络的信号处理
9.3 基于神经网络的模式识别
9.4 基于神经网络的机器控制
参考文献