人工神經網路的獨特知識表示結構和信息處理原則使其成為智慧型信息處理的主要技術之一，吸引了越來越多科技工作者的研究興趣。《信號處理的神經網路方法》從人工神經網路在信號處理領域的套用入手，對神經網路基本結構和信號處理領域如何套用神經網路進行介紹。我們挑選BP、RBF、SOFM、LVQ、Hopfield這5種已成功套用於解決實際信號處理問題的網路結構進行詳細介紹，並對如何利用它們解決信號處理問題進行分析。另外還介紹了量子比特神經網路這種新興網路結構。
基本介紹
- 書名：信號處理的神經網路方法
- 出版社：清華大學出版社
- 頁數：142頁
- 開本：16
- 品牌：清華大學出版社
- 作者：高穎慧 王平
- 出版日期：2012年12月1日
- 語種：簡體中文
- ISBN：9787302305453
內容簡介,圖書目錄,
內容簡介
《信號處理的神經網路方法》適合於作為研究生或高年級本科生的教材，也可以作為希望深入學習神經網路理論和套用技術的科技人員的參考書。
圖書目錄
第1章 緒論
1.1 引言
1.2人工神經網路概述
1.2.1人工神經元
1.2.2人工神經網路分類
1.2.3前向人工神經網路
1.2.4競爭型人工神經網路
1.2.5遞歸人工神經網路
1.2.6量子比特神經網路
1.3人工神經網路適用於信號處理
1.3.1數位訊號處理問題概述
1.3.2人工神經網路適用於數位訊號處理
1.3.3套用人工神經網路解決信號處理問題示例
1.4 ANN解決信號處理問題的一般思路
習題
第2章基於BP網路的信號處理
2.1 引言
2.2 BP學習算法
2.2.1輸出層神經元權值確定
2.2.2隱含層神經元權值確定
2.2.3權值修正過程
2.2.4 BP學習算法描述
2.3 BP學習算法的局限性及改進方法
2.3.1 BP學習算法的局限性
2.3.2 BP學習算法的改進方法
2.4構建BP網路的關鍵問題
2.5 BP網路的MATLAB實現
2.6基於BP網路的英文字母識別
2.6.1英文字母特徵提取
2.6.2網路結構確定
2.6.3網路訓練
2.6.4網路構建流程
2.6.5字母識別性能分析
習題
第3章基於RBF網路的信號處理
3.1函式的內插理論
3.1.1近似問題的定義
3.1.2函式的內插
3.2徑向基神經元
3.3高斯RBF網路
3.3.1高斯RBF網路結構
3.3.2網路學習方法
3.3.3 RBF網路結構確定方法
3.4機率RBF網路
3.4.1貝葉斯決策分類方法簡介
3.4.2機率RBF網路結構
3.4.3基於EM算法的機率RBF網路的學習
3.5 RBF網路的MATLAB實現
3.5.1 RBF網路創建函式
3.5.2 RBF網路傳遞函式和轉換函式
3.6 RBF網路套用實例
3.6.1基於RBF網路的插值技術
3.6.2基於RBF網路的淺灘演變預測
習題
第4章基於SOFM網路的信號處理
4.1 SOFM網路結構
4.1.1 SOFM網路基本特點
4.1.2網路構成
4.2 SOFM網路學習算法
4.2.1兩階段權值調整
4.2.2算法步驟
4.2.3參數選擇
4.2.4算法改進
4.3 RSOM樹
4.3.1 RSOM樹原理
4.3.2 RSOM樹的基本訓練算法
4.4 LVQ網路
4.5 SOFM網路的MATLAB實現
4.6 SOFM網路套用實例
4.6.1 基於SOFM的人口分類
4.6.2基於LVQ網路的模式識別
習題
第5章神經動力學基本原理及Hopfield網路
5.1 Lyapunov動力學穩定理論
5.1.1動態系統及狀態空間
5.1.2系統平衡狀態的穩定性
5.1.3 Lyapunov穩定性定理
5.2 Hopfield神經元的數學模型
5.3時間連續Hopfield網路
5.3.1數學描述
5.3.2穩定性分析
5.4時間離散Hopfield網路
5.4.1時間離散Hopfield網路結構
5.4.2穩定性分析
5.4.3網路工作方式
5.5 Hopfield網路的套用領域
5.5.1聯想記憶問題
5.5.2組合最佳化問題
5.6 Hopfield網路的MATLAB實現
5.6.1 Hopfield網路創建函式
5.6.2 Hopfield網路的設計
習題
第6章量子比特神經網路
6.1量子比特與量子門
6.1.1量子比特
6.1.2量子門
6.2量子比特神經元模型
6.3量子比特神經網路結構
6.4 QBP算法
習題
第7章結束語
7.1其他人工神經網路模型
7.2人工神經網路發展的制約因素
7.3人工神經網路發展趨勢
7.4神經網路書籍與期刊
參考文獻
1.1 引言
1.2人工神經網路概述
1.2.1人工神經元
1.2.2人工神經網路分類
1.2.3前向人工神經網路
1.2.4競爭型人工神經網路
1.2.5遞歸人工神經網路
1.2.6量子比特神經網路
1.3人工神經網路適用於信號處理
1.3.1數位訊號處理問題概述
1.3.2人工神經網路適用於數位訊號處理
1.3.3套用人工神經網路解決信號處理問題示例
1.4 ANN解決信號處理問題的一般思路
習題
第2章基於BP網路的信號處理
2.1 引言
2.2 BP學習算法
2.2.1輸出層神經元權值確定
2.2.2隱含層神經元權值確定
2.2.3權值修正過程
2.2.4 BP學習算法描述
2.3 BP學習算法的局限性及改進方法
2.3.1 BP學習算法的局限性
2.3.2 BP學習算法的改進方法
2.4構建BP網路的關鍵問題
2.5 BP網路的MATLAB實現
2.6基於BP網路的英文字母識別
2.6.1英文字母特徵提取
2.6.2網路結構確定
2.6.3網路訓練
2.6.4網路構建流程
2.6.5字母識別性能分析
習題
第3章基於RBF網路的信號處理
3.1函式的內插理論
3.1.1近似問題的定義
3.1.2函式的內插
3.2徑向基神經元
3.3高斯RBF網路
3.3.1高斯RBF網路結構
3.3.2網路學習方法
3.3.3 RBF網路結構確定方法
3.4機率RBF網路
3.4.1貝葉斯決策分類方法簡介
3.4.2機率RBF網路結構
3.4.3基於EM算法的機率RBF網路的學習
3.5 RBF網路的MATLAB實現
3.5.1 RBF網路創建函式
3.5.2 RBF網路傳遞函式和轉換函式
3.6 RBF網路套用實例
3.6.1基於RBF網路的插值技術
3.6.2基於RBF網路的淺灘演變預測
習題
第4章基於SOFM網路的信號處理
4.1 SOFM網路結構
4.1.1 SOFM網路基本特點
4.1.2網路構成
4.2 SOFM網路學習算法
4.2.1兩階段權值調整
4.2.2算法步驟
4.2.3參數選擇
4.2.4算法改進
4.3 RSOM樹
4.3.1 RSOM樹原理
4.3.2 RSOM樹的基本訓練算法
4.4 LVQ網路
4.5 SOFM網路的MATLAB實現
4.6 SOFM網路套用實例
4.6.1 基於SOFM的人口分類
4.6.2基於LVQ網路的模式識別
習題
第5章神經動力學基本原理及Hopfield網路
5.1 Lyapunov動力學穩定理論
5.1.1動態系統及狀態空間
5.1.2系統平衡狀態的穩定性
5.1.3 Lyapunov穩定性定理
5.2 Hopfield神經元的數學模型
5.3時間連續Hopfield網路
5.3.1數學描述
5.3.2穩定性分析
5.4時間離散Hopfield網路
5.4.1時間離散Hopfield網路結構
5.4.2穩定性分析
5.4.3網路工作方式
5.5 Hopfield網路的套用領域
5.5.1聯想記憶問題
5.5.2組合最佳化問題
5.6 Hopfield網路的MATLAB實現
5.6.1 Hopfield網路創建函式
5.6.2 Hopfield網路的設計
習題
第6章量子比特神經網路
6.1量子比特與量子門
6.1.1量子比特
6.1.2量子門
6.2量子比特神經元模型
6.3量子比特神經網路結構
6.4 QBP算法
習題
第7章結束語
7.1其他人工神經網路模型
7.2人工神經網路發展的制約因素
7.3人工神經網路發展趨勢
7.4神經網路書籍與期刊
參考文獻
