神经网络理论及应用实践(双色印刷高等学校电子信息类专业系列教材)

本书在全面介绍人工神 经网络基本理论的基础之上 ，首先，系统地阐述了单层 感知器神经网络、BP神经 网络、竞争学习神经网络、 自组织神经网络、学习向量 化神经网络、对偶传播神经 网络、径向基函数神经网络 、支持向量机等浅层神经网 络的典型网络结构、学习算 法、工作原理和应用案例； 其次，系统地阐述了深度学 习中卷积神经网络、循环神 经网络两种经典神经网络的 概念、基本架构、工作原理 和应用案例；最后，介绍了 人工神经网络设计开发平台 。本书旨在使读者了解和掌 握人工神经网络的设计和应 用方法，为读者深入了解和 研究人工神经网络奠定基础 。 本书可作为高等院校计 算机类、电子信息类、自动 化类、金融类、统计类等相 关专业高年级本科生、研究 生的教材，也可作为相关专 业领域的科研人员和工程技 术人员的学习参考书。

第1章 绪论 1.1 人工神经网络概述 1.2 人工神经网络发展历程 1.2.1 人工神经网络启蒙期(1943年—1969年) 1.2.2 人工神经网络低潮期(1969年—1982年) 1.2.3 人工神经网络复兴期(1982年—2006年) 1.2.4 人工神经网络高速发展期(2006年至今) 1.3 人工神经网络特点 1.4 人工神经网络功能 1.5 人工神经网络应用 1.6 本书主要内容及特点 本章习题 第2章 人工神经网络基础 2.1 生物神经网络 2.2 人工神经元 2.2.1 人工神经元模型 2.2.2 人工神经元的数学描述 2.2.3 人工神经元的激活函数 2.3 人工神经网络分类 2.3.1 基于连接方式分类 2.3.2 基于连接范围分类 2.3.3 基于信息流向分类 2.3.4 基于典型架构分类 2.4 人工神经网络学习 2.4.1 有监督学习 2.4.2 无监督学习 2.4.3 强化学习 2.4.4 自监督学习 2.4.5 半监督学习 2.4.6 迁移学习 2.4.7 灌输式学习 2.5 基于MATLAB工具箱的神经网络基本参数描述 2.5.1 MATLAB工具箱的神经元模型 2.5.2 MATLAB工具箱的神经网络结构 2.6 本章小结 本章习题 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 感知器学习算法 3.1.3 感知器功能 3.1.4 感知器局限性 3.2 多层感知器引入 3.3 BP神经网络 3.3.1 BP神经网络模型 3.3.2 BP学习算法 3.3.3 BP算法实现 3.3.4 BP算法局限性 3.3.5 标准BP算法改进 3.4 BP神经网络设计基础 3.4.1 训练样本集准备 3.4.2 初始权值设计 3.4.3 网络结构设计 3.4.4 网络训练与测试 3.5 基于MATLAB的BP神经网络应用案例 3.5.1 基于MATLAB的BP神经网络案例——数据拟合 3.5.2 基于MATLAB的BP神经网络案例——鸢尾花分类 3.5.3 基于MATLAB的BP神经网络案例——红酒品种分类 3.5.4 基于MATLAB的BP神经网络案例——C形数据簇分类 3.5.5 基于MATLAB的BP神经网络案例——汽油辛烷值预测 3.5.6 基于MATLAB的BP神经网络案例——月平均温度预测 本章习题 第4章 自组织竞争神经网络 4.1 竞争学习神经网络 4.1.1 相似度测量 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 网络结构 4.2.2 学习算法 4.3 自组织神经网络应用案例 4.3.1 基于SOM神经网络的汽车竞品分析 4.3.2 基于SOM神经网络的葡萄干聚类分析 4.4 学习向量量化神经网络 4.4.1 向量化 4.4.2 网络结构 4.4.3 运行原理 4.4.4 学习算法 4.5 学习向量量化神经网络应用案例 4.5.1 基于LVQ神经网络的红酒品种分类 4.5.2 基于LVQ神经网络的森林火灾预测 4.6 对偶传播神经网络 4.7 对偶传播神经网络应用案例 4.7.1 基于CPN神经网络的博士论文质量评价及Python实现 4.7.2 基于CPN神经网络的C形数据簇分类 本章习题 第5章 径向基函数神经网络 5.1 正则化RBF神经网络 5.1.1 插值问题 5.1.2 径向基函数解决插值问题 5.1.3 正则化RBF神经网络结构 5.1.4 正则化RBF神经网络学习算法 5.1.5 正则化RBF神经网络局限性 5.2 广义RBF神经网络 5.2.1 模式可分性 5.2.2 广义RBF神经网络结构 5.2.3 广义RBF神经网络学习算法 5.3 基于MATLAB的RBF神经网络应用案例 5.3.1 基于MATLAB的RBF神经网络案例——数据拟合 5.3.2 基于MATLAB的RBF神经网络案例——小麦种子分类 5.3.3 基于MATLAB的RBF神经网络案例——人口数量预测 5.3.4 基于MATLAB的RBF神经网络案例——地下水位预测 本章习题 第6章 支持向量机 6.1 线性可分支持向量机 6.1.1 最优超平面 6.1.2 线性可分最优超平面 6.2 线性支持向量机 6.3 非线性支持向量机 6.3.1 基于内积核的最优超平面 6.3.2 非线性支持向量机神经网络 6.4 支持向量机应用案例 6.4.1 最优分类超平面的数学求解 6.4.2 支持向量机的多分类问题 本章习题 第7章 卷积神经网络 7.1 CNN概述 7.1.1 传统神经网络 7.1.2 传统神经网络与CNN对比 7.1.3 CNN的基本架构 7.2 卷积功能层 7.2.1 卷积功能层中的基本概念 7.2.2 卷积操作与传统神经元操作的类比 7.2.3 感受野 7.2.4 权值共享 7.2.5 其他典型卷积操作 7.3 池化层与全连接层 7.3.1 池化层 7.3.2 全连接层 7.3.3 各功能层在案例中的解析 7.4 CNN在目标检测中的应用 7.4.1 目标检测发展背景 7.4.2 目标检测的评价指标 7.4.3 基于CNN的目标检测模型 7.5 CNN退化问题 7.5.1 CNN退化