神经网络

出版时间：2006-8  出版社：清华大学出版社  作者：[印度]Satish Kumar  页数：736  
Tag标签：无  

内容概要

本书从理论和实际应用出发，全面系统地介绍神经网络的基本模型、基本方法和基本技术，涵盖了神经系统科学、统计模式识别、支撑向量机、模糊系统、软件计算与动态系统等内容。本书对神经网络的各种基本模型做了深入研究，对神经网络的最新发展趋势和主要研究方向也都进行了全面而综合的介绍，每章都包含大量例题、习题，对所有模型不仅给出了实际的应用示例，还提供了详细的MATHLAB代码，是一本很好的神经网络教材。    本书适合作为相关专业研究生或本科高年级学生的教材，也是神经网络的科研人员的参考书。

作者简介

作者：(印)库马尔

书籍目录

Foreword PrefacMore Acknowledgements Part Ⅰ　Traces of History and A Neuroscience Briefer 　1. Brain Style Computing: Origins and Issues 　　1.1 From the Greeks to the Renaissance  　　1.2 The Advent of Modern Neuroscience 　　1.3 On the Road to Artificial Intelligence  　　1.4 Classical AI and Neural Networks  　　1.5 Hybrid Intelligent Systems 　　　Chapter Summary 　　　Bibliographic Remarks 　2. Lessons from Neuroscience 　　2.1 The Human Brain  　　2.2 Biological Neurons 　　　Chapter Summary　　　Bibliographic Remarks Part Ⅱ　Feedforward Neural Networks and Supervised Learning 　3. Artificial Neurons, Neural Networks and Architectures 　　3.1　Neuron Abstraction  　　3.2 Neuron Signal Functions 　　3.3 Mathematical Preliminaries  　　3.4 Neural Networks Defined  　　3.5 Architectures: Feedforward and Feedback 　　3.6 Salient Properties and Application Domains of Neural Networks 　　　Chapter Summary 　　　Bibliographic Remarks 　　　Review Questions　4. Geometry of Binary Threshold Neurons and Their Networks 　　4.1 Pattern Recognition and Data Classification 　　4.2 Convex Sets, Convex Hulls and Linear Separability 　　4.3 Space of Boolean Functions 　　4.4 Binary Neurons are Pattern Dichotomizers 　　4.5 Non-linearly Separable Problems 　　4.6 Capacity of a Simple Threshold Logic Neuron 　　4.7 Revisiting the XOR Problem 　　4.8 Multilayer Networks 　　4.9 How Many Hidden Nodes are Enough? 　　　Chapter Summary 　　　Bibliographic Remarks 　　　Review Questions 　5. Supervised LearningⅠ: Perceptrons and LMS 　　5.1 Learning and Memory 　　5.2 From Synapses to Behaviour: The Case of Aplysia　　5.3 Learning Algorithms 　　5.4 Error Correction and Gradient Descent Rules 　　5.5 The Learning Objective for TLNs 　　5.6 Pattern Space and Weight Space 　　5.7 Perceptron Learning Algorithm 　　5.8 Perceptron Convergence Theorem　　5.9 A Handworked Example and MATLAB Simulation  　　5.10 Perceptron Learning and Non-separable Sets 　　5.11 Handling Linearly Non-separable Sets     5.12 a–Least Mean Square Learning     5.13 MSE Error Surface and its Geometry 　　5.14 Steepest Descent Search with Exact Gradient Information    5.15 u–LMS: Approximate Gradient Descent     5.16 Application of LMS to Noise Cancellation 　　　Chapter Summary 　　　Bibliographic Remarks 　　　Review Questions 　6. Supervised Learning Ⅱ: Backpropagation and Beyond 　　6.1 Multilayered Network Architectures  　　6.2 Backpropagation Learning Algorithm  　　6.3 Handworked Example 　　6.4 MATLAB Simulation Examples 　　6.5 Practical Considerations in Implementing the BP Algorithm 　　6.6 Structure Growing Algorithms 　　6.7 Fast Relatives of Backpropagation 　　6.8 Universal Function Approximation and Neural Networks 　　6.9 Applications of Feedforward Neural Networks　　6.10 Reinforcement Learning: A Brief Review 　　　Chapter Summary 　　　Bibliographic Remarks 　　　Review Questions 　7. Neural Networks: A Statistical Pattern Recognition Perspective 　　7.1 Introduction 　　7.2 Bayes’ Theorem 　　7.3 Two Instructive MATLAB Simulations 　　7.4 Implementing Classification Decisions with Bayes’ Theorem 　　7.5 Probabilistic Interpretation of a Neuron Discriminant Function 　　7.6 MATLAB Simulation: Plotting Bayesian Decision Boundaries 　　7.7 Interpreting Neuron Signals as Probabilities　　7.8 Multilayered Networks, Error Functions and Posterior Probabilities 　　7.9 Error Functions for Classification Problems 　　　Chapter Summary 　　　Bibliographic Remarks 　　　Review Questions 　8. Focussing on Generalization: Support Vector Machines and Radial Basis Function Networks 　　8.1 Learning From Examples and Generalization  　　8.2 Statistical Learning Theory Briefer 　　8.3 Support Vector Machines　　8.4 Radial Basis Function Networks 　　8.5 Regularization Theory Route to RBFNs　　8.6 Generalized Radial Basis Function Network 　　8.7 Learning in RBFN’s 　　8.8 Image Classification Application 　　8.9 Other Models For Valid Generalization　　　Chapter Summary 　　　Bibliographic Remarks 　　　Review Questions Part Ⅲ   Recurrent Neurodynamical Systems Part Ⅳ　 Contemporary Topics Appendix A: Neural Network Hardware Appendix B: Web Pointers Bibliography Index

用户评论 (总计5条)

•   好!!!!
•   就是送货太慢了。。
•   觉得还是先看中文，有了一定的基础后再看英文比较好。
•   经典书目，虽然没看应该不错
•   　　 蚂蚁在爬行时看上去是那么地自信，似乎有自己的行动计划。否则，它们如何组织起蚂蚁社会的“高速公路”、建造起精致的巢穴和发动大规模的战争？
  　　 事实上，这种看法大错特错。蚂蚁并不是聪明的工程师、建筑师或者战士——至少对于单个蚂蚁来说是这样的，大多数蚂蚁对于下一步该做什么可以说是茫然无知的。斯坦福大学的生物学家黛博拉·M·戈登（Deborah M．Gordon）认为：如果观察单只蚂蚁尝试做成某件事的话，你就会发现它是多么地力不从心。“蚂蚁并不聪明，聪明的是蚂蚁群体。”
  　　 蚂蚁群体能够解决个体所无法解决的问题，如以最短的路径到达最丰富的食物源，给工蚁分派各种不同的任务，或者在外敌入侵时保卫自己的领土。作为个体，蚂蚁微小得不堪一击，但是作为群体，它们能够对环境做出迅速而有效的反应，其“武器”就是群体智能。
  　　 蚂蚁和蜜蜂的群体智能来自哪里？个体简单行为如何形成复杂的群体行为？如果许多个体不协调，成百上千的蜜蜂又怎么能做出某个重要决定？是什么让一群鲱鱼在一瞬间改变行动方向的？没有一个个体能够掌控全局，这些生物的群体能力似乎不可思议，生物学家也一直困惑不已。但在过去的数十年里，研究人员有了一些有趣的发现。