神经计算原理|计算机科学丛书|（美）Fredric M.Ham Ivica Kostanic|机械工业出版社

【相关下载】
·免费样章 ·精彩文前
【二手书】
本产品共有 0 册二手书出售，最低价：￥.00 [查看]

推荐图书

	多媒体CAI课件制作教程作者:冯建平吴丽华刘若慧
	Progress in Artificial I... 作者:Fernando Moura Pires 著
	Progress in Pattern Reco... 作者:Manuel Lazo　著
	Progress in Pattern Reco... 作者:Alberto Sanfeliu　著
	中国计算机智能接口与智能... 作者:吴泉源　等著
	智能机器人作者:肖南峰

用户购买本书还购买了

· 神经网络设计

· Pro/ENGINEE英文野火版3.0高级教...

· Pro/ENGINEER中文野火版3.0曲面...

· Pro/ENGINEER中文野火版3.0模具...

· Pro/ENGINEER中文野火版3.0基础...

· Pro/ENGINEER中文野火版3.0高级...

· Pro/ENGINEER中文野火版3.0钣金...

· Pro/ENGINEER中文野火版2.0数控...

· Pro/ENGINEER中文野火版2.0模具...

· Pro/ENGINEER中文野火版2.0工程...

金书共建·What's this?

[分类共建] ·所有未分类图书查看
本书当前分类：
人工智能 > 神经计算
我觉得本书应分到此类中：

[金书WIKI]
[ 编辑 ]当前页面使本书内容更加完善

[资源共建]
·提交本书书摘 ·提交本书相关资源

神经计算原理

您想读这本书吗？
作者：（美）Fredric M.Ham Ivica Kostanic	出版社：机械工业出版社
译者：叶世伟王海娟	丛书名：计算机科学丛书
出版日期：2007-4-1	上架日期：2007-4-26
ISBN：9787111206378	页数：491 版次：1-1
开本：16	装帧：

市场价：~~￥59.00~~

贵宾会员价：￥44.25
高级会员价：￥44.25
普通会员价：￥44.25

金书豆豆(What's this?)

种一个豆豆，书价我来定！

我要种一个豆豆

【您的购物车】

购买册数：


货到付款：北京、上海、天津、广州、深圳、湖北、河南、山西、陕西、山东、四川、重庆、浙江更多查看>>

| 大封面 | 封底 | 前言 | 内容简介 | 序言 | 目录 | 作者简介 | 译者简介 | 作者序 | 译者序 |

【读者评论】

内容简介
本书比较系统全面地介绍了人工神经网络的理论和实际应用，特别在神经网络模型和工程应用方面有极为深入的分析和讲解。全书不仅深入分析神经网络的基本概念，而且详细介绍神经网络应用方面的最新发展趋势和主要研究方向。本书理论和实际应用紧密结合，为神经网络的相关理论知识在具体问题中的应用打下了坚实的基础。.
本书适合作为高等院校计算机专业高年级本科生或研究生的教材，也可供人工智能及神经网络方面的研究人员和专业技术人员参考。

目录
伸缩显示:

[弹出查看]

出版者的话
专家指导委员会
译者序
前言
致谢
重要符号和算符
重要缩写词
第一部分  神经计算的基本概念和部分神经网络体系结构及其学习规则
第1章  神经计算概述        1
1.1  神经计算是什么        1
1.2  神经计算的发展历史        3
1.3  神经计算和神经科学        7
1.4  神经网络的分类        11
1.5  本书指南        12
参考文献        13
第2章  神经计算的基本概念        16
2.1  概述        16
2.2  人工神经元的基本模型        16
2.3  基本激活函数        18
2.4  人工神经元的霍普菲尔德模型        23
2.5  自适应线性单元和多重自适应线性单元        25
2.5.1  简单自适应线性组合器和LMS算法        25
2.5.2  自适应线性单元        31
2.5.3  多重自适应线性单元        37
2.6  简单感知器        39
2.6.1  Mays感知器学习规则        40
2.6.2  具有S形激活函数的简单感知器        41
2.7  前馈多层感知器        44
2.8  单个神经元基本学习规则概述        45
2.8.1  广义的LMS学习规则        46
2.8.2  Hebb学习        50
2.8.3  Oja学习规则        52
2.8.4  位势学习规则        54
2.8.5  相关学习规则        55
2.8.6  标准感知器学习规则        55
2.8.7  广义感知器学习规则        56
2.9  数据预处理        57
2.9.1  规整        58
2.9.2  变换        58
2.9.3  傅里叶变换        58
2.9.4  主成分分析        60
2.9.5  部分最小二乘回归        60
2.9.6  小波和小波变换        61
习题        61
参考文献        66
第3章  映射网络        71
3.1  概述        71
3.2  联想记忆网络        71
3.2.1  一般的线性分布式联想记忆        72
3.2.2  相关矩阵记忆        73
3.2.3  相关矩阵记忆的误差修正方法        76
3.3  反向传播学习算法        77
3.3.1  前馈多层感知器的基本反向传播算法        78
3.3.2  使用标准反向传播中的一些实际问题        80
3.3.3  具有动量更新的反向传播学习算法        83
3.3.4  批量更新        83
3.3.5  搜索然后收敛方法        84
3.3.6  可变学习率的批量更新        84
3.3.7  反向传播算法的向量矩阵形式        85
3.4  加速学习反向传播算法        87
3.4.1  前馈多层感知器的共轭梯度反向传播        87
3.4.2  基于最小二乘的递归反向传播算法        91
3.4.3  具有自适应激活函数斜度的反向传播        93
3.4.4  Levenberg-Marquardt算法        95
3.5  对传        98
3.6  径向基函数神经网络        101
3.6.1  训练具有固定中心的RBF NN        102
3.6.2  用随机梯度方法训练RBF NN        104
3.6.3  正交最小二乘        106
习题        109
参考文献        117
第4章  自组织网络        120
4.1  概述        120
4.2  Kohonen自组织映射        120
4.3  学习向量的量化        125
4.4  自适应共振理论(ART)神经网络        131
4.4.1  ART1        133
4.4.2  模糊ART和模糊ARTMAP        136
习题        137
参考文献        142
第5章  递归网络和时间前馈网络        144
5.1  概述        144
5.2  递归神经网络概述        144
5.3  霍普菲尔德联想记忆        144
5.4  模拟退火        152
5.5  玻尔兹曼机        156
5.6  时间前馈网络概述        160
5.7  简单递归网络        161
5.8  时延神经网络        164
5.9  分布式时滞前馈神经网络        165
习题        167
参考文献        173
第二部分  神经计算的应用
第6章  用神经网络解决最优化问题        177
6.1  概述        177
6.2  解决线性规划问题的神经网络        177
6.2.1  解决LP问题标准形式的神经网络        180
6.2.2  解决LP问题非标准形式的神经网络        181
6.3    解决二次规划问题的神经网络        186
6.4  解决非线性连续约束最优化问题的神经网络        195
6.4.1  罚函数NP方法的神经网络        196
6.4.2  障碍函数NP方法的神经网络        201
6.4.3  普通拉格朗日乘子NP方法的神经网络        201
6.4.4  增广拉格朗日乘子方法的神经网络        205
习题        209
参考文献        212
第7章  用神经网络解决矩阵代数问题        214
7.1  概述        214
7.2  矩阵的逆和伪逆        215
7.3  LU分解        220
7.4  QR因子分解        223
7.5  舒尔分解        227
7.6  谱因子分解—特征值分解（EVD）（对称特征值问题）        229
7.7  对称特征值问题的神经网络方法        230
7.8  奇异值分解        235
7.9  求解代数李雅普诺夫方程的神经计算方法        239
7.10  求解代数里卡蒂方程的神经计算方法        241
习题        245
参考文献        249
第8章  使用神经网络求解线性代数方程组        251
8.1  概述        251
8.2  联立线性代数方程组        251
8.3  线性方程组的最小二乘解        253
8.4  求解线性方程组的最小二乘神经计算方法        254
8.5  求解线性方程组的共轭梯度学习规则        258
8.6  求解受噪声侵扰的线性方程组的广义鲁棒方法        260
8.7  带病态确定数值秩的不适定问题的正则化方法        266
8.8  求解线性方程组的离散时间迭代方法中的矩阵分裂        273
8.9  总体最小二乘问题        278
8.10  求解线性方程组的L胺妒ㄗ钚?最大）神经网络        280
8.11  求解线性方程的L1范数（最小绝对偏差）神经网络        282
习题        285
参考文献        290
第9章  使用神经网络的统计方法        294
9.1  概述        294
9.2  主成分分析        294
9.3  神经网络自适应主成分估计的学习算法        297
9.3.1  第一主成分估计—Oja的正规化Hebb学习规则        297
9.3.2  多个主成分估计—对称子空间学习规则        301
9.3.3  多个主成分估计—广义Hebb算法        303
9.3.4  多个主成分估计—随机梯度上升算法        305
9.3.5  多个主成分估计—自适应主成分提取算法        305
9.3.6  非线性主成分分析（NLPCA）和鲁棒PCA        312
9.4  主成分回归        316
9.5  部分最小二乘回归        322
9.6  部分最小二乘回归的神经网络方法        327
9.7  鲁棒PLSR：一种神经网络方法        333
习题        337
参考文献        340
第10章  使用神经网络进行辨识、控制和估计        348
10.1  概述        348
10.2  线性系统的表示法        348
10.3  自回归滑动平均模型        349
10.4  用ARMA模型的线性系统辨识        349
10.5  应用PLSNET进行线性系统的参数系统辨识        352
10.6  非线性系统的表示法        355
10.6.1  非线性输入-状态-输出表示法        355
10.6.2  非线性ARMA        356
10.7  非线性动态系统的辨识和控制        359
10.7.1  非线性系统的辨识        360
10.7.2  非线性控制        365
10.8  独立成分分析：未知源信号的盲分离        371
10.8.1  独立成分分析的概述        371
10.8.2  用神经网络进行独立成分分析        372
10.8.3  用于ICA的快速固定点算法        381
10.9  可加噪声中的正弦曲线的谱估计        389
10.9.1  问题描述        389
10.9.2  频率估计问题的PLSR解        391
10.10  其他案例分析        395
10.10.1  从近红外谱模拟数据估计葡萄糖浓度        395
10.10.2  使用次声数据进行事件分类        399
习题        402
参考文献        407
附录A  神经计算的数学基础        411
A.1  引言        411
A.2  线性代数        411
A.2.1  域和向量空间        411
A.2.2  矩阵的表示和运算        413
A.2.3  内积和外积        414
A.2.4  向量的线性无关        415
A.2.5  矩阵的秩和线性无关        415
A.2.6  矩阵的确定性        415
A.2.7  矩阵的逆和伪逆        416
A.2.8  正交矩阵、酉矩阵和共轭向量        418
A.2.9  特征值和特征向量        418
A.2.10  相似变换        421
A.2.11  若当标准形        421
A.2.12  动态系统的状态空间描述        422
A.2.13  向量和矩阵的范数        426
A.2.14  奇异值分解        428
A.2.15  矩阵条件数        430
A.2.16  分块矩阵运算        431
A.2.17  克罗内克积与和        433
A.2.18  实数和复数方阵的重要性质小结        436
A.2.19  模式化矩阵和特殊矩阵        437
A.3  多变量分析的原理        440
A.3.1  集合和函数        440
A.3.2  二次型        442
A.3.3  链式法则        442
A.3.4  矩阵微积分        443
A.3.5  黑塞矩阵        445
A.3.6  雅可比矩阵        446
A.3.7  泰勒级数展开式        447
A.4  李雅普诺夫直接法        447
A.5  无约束最优化方法        449
A.5.1  极值的充分必要条件        449
A.5.2  最速下降法        450
A.5.3  牛顿法        451
A.5.4  改进的牛顿法和拟牛顿法        452
A.5.5  共轭梯度法        453
A.6  约束非线性规划        455
A.6.1  库恩-塔克条件        455
A.6.2  拉格朗日乘子法        456
A.7  随机变量和随机过程        458
A.7.1  随机变量        458
A.7.2  概率分布函数        460
A.7.3  概率密度函数        460
A.7.4  期望值、均值和矩        461
A.7.5  随机过程        463
A.7.6  向量随机过程        466
A.7.7  功率谱密度函数和功率谱密度矩阵        466
A.7.8  白噪声驱动的线性系统和谱因子分解        467
A.8  模糊集合论        469
A.9  部分三角恒等式        469
参考文献        471
主题索引        473

伸缩显示:

[弹出查看]

编辑荐语

[您可以向编辑推荐本书的亮点，采纳后奖励５－１０元优惠卷]（一个工作日内处理您的建议）

本书是神经网络领域中的一部优秀教材，着重讲述人工神经网络基本原理以及如何运用各种神经计算技术来解决科学和工程领域中的现实问题，如模式识别、最优化、事件分类、非线性系统的控制和识别以及统计分析等。

主要特点：
● 算法——很多算法用框线明确标出，便于读者查找。
● MATLAB Toolbox——书中大量使用MATLAB的Neural Network Toolbox，举例说明神经计算概念。
● Web站点——登http://www.mhhe.com/ham，可获取最新、最全面的信息。
● 示例和附录——各章有详尽的示例，阐述重要的神经计算概念。附录A全面介绍了神经计算的数学基础。

读者评论 w 查看本书所有书评

[发表您的书评，编辑将根据书评质量，予以相应的奖励]

(共0条)

关于我们 | 帮助 | 合作伙伴 | 我的帐户 | 图书馆 | 自考教材网 | 高校教材网
北京电话：010-68993821/88379639/88379641 邮箱：service@golden-book.com 传真：010-68990188
京ICP证060035号

专题 | 特价 | 书评 | 论坛 | 下载 | 新品 | 豆豆 | 鉴委会 | 共建 | 编辑博客 | 抢鲜预订 | 样章试读 | 名人签名 | 格子 | 播报

我的订单

关于配送

关于付款

售后服务

金书网