《大規模人工神經網路理論基礎》是北方交通大學出版社2004年2月1日出版的圖書，作者是羅四維。該書從構造大規模人工神經網路系統的角度討論了有關的系統理論和方法，主要內容包括人工神經網路的分布系統論（熱力學方法）、資訊理論方法、基於信息幾何的神經場方法。這些內容對於進一步構造實用的大規模人工神經網路，以及深入研究人工神經網路和大規模分布系統都是重要的理論基礎。
基本介紹
- 書名：大規模人工神經網路理論基礎
- 作者：羅四維
- ISBN：9787810821742
- 頁數：177
- 定價：24.00
- 出版社：北方交通大學出版社
- 出版時間：2004-2-1
- 裝幀：平裝
圖書簡介,圖書目錄,
圖書簡介
本書的編寫內容包含了作者及其所指導博士生的研究成果，同時也結合了作者多年給研究生講授該研究領域課程的最新內容。本書敘述深入淺出、條理分明，突出全書連貫性，便於讀者理解與掌握。
本書適合作為計算機或信號處理專業的研究生課程教材，或作為從事該領域研究的科學技術人員的參考書。
圖書目錄
第1章 緒論
1.1 人工神經網路介紹
1.1.1 人工神經網路的概述和發展史
1.1.2 神經元的形式化描述和人工神經網路模型
1.2 人工神經網路的發展趨勢
1.2.1 生物智慧型的啟發
1.2.2 泛化能力
1.2.3 人工神經網路的發展趨勢
1.3 神經場學習理論
1.3.1 神經場理論的目的和意義
1.3.2 神經場理論的研究現狀
1.4 知識可增殖人工神經網路
參考文獻
第2章 系統熵
2.1 資訊理論的原理
2.1.1 熵
2.1.2 聯合熵與條件熵
2.1.3 相對熵
2.1.4 互信息
2.1.5 微分熵
.2.1.6 隨機變數序列下的鏈式規則
2.1.7 資訊理論中的一些基本不等式
2.2 系統熵
2.2.1 最大熵原理
2.2.2 最小相對信息原理
2.2.3 最小平均"能量"原理
2.2.4 有序和無序平衡原理
2.2.5 系統平衡態的熵
2.2.6 平衡狀態的平均能量
2.2.7 最大熵分布
參考文獻
第3章 神經場研究的數學基礎
3.1 微分流形的基本概念
3.1.1 微分流形
3.1.2 切向量和切向量空間
3.1.3 Riemannian流形與仿射聯絡
3.1.4 子流形
3.2 信息幾何理論
3.2.1 對偶平坦流形
3.2.2 統計模型流形的幾何結構
3.2.3 指數流形上的幾何
3.3 流形上的拓撲結構分析理論
參考文獻
第4章 傳統學習算法
4.1 感知器算法
4.1.1 感知器基本性質
4.1.2 感知器梯度算法
4.1.3 感知器算法的收斂性
4.1.4 線性閾值部件感知器
4.2 誤差反傳遞算法
4.2.1 兩層網的缺點
4.2.2 擴展誤差(△)規則
4.2.3 模擬結果
4.3 競爭學習算法
4.3.1 競爭學習
4.3.2 形式分析
4.3.3 實驗結果
4.4 Hopfield模型
4.4.1 Ising模型
4.4.2 平均場近似模型
4.4.3 Hopfield模型
4.4.4 Hopfidd權值公式證明
4.4.5 連續Hopfield網路模型
4.4.6 Hopfidd網路的套用
4.5 徑向基神經網路算法
4.5.1 RBF的介紹
4.5.2 徑向基函式網路介紹
4.5.3 RBF網路訓練的準則和常用算法
4.5.4 RBF網路的交替梯度算法
4.5.5 一維梯度算法
4.5.6 線上自然交替梯度算法
4.5.7 共軛梯度算法
4.6 本章相關知識
參考文獻
第5章 機率網路模型
5.1 網路
5.2 玻耳茲曼機器
5.2.1 玻耳茲曼機器的相關理論
5.2.2 玻耳茲曼機器
5.3 玻耳茲曼機器的互信息最大化原則
5.4 玻耳茲曼機器的冗餘度最小化和信息最大化
5.5 EM算法
5.5.1 分層前饋網路的機率模型
5.5.2 EM算法的基本思想
5.5.3 EM算法的具體步驟
5.5.4 編程公式推導
5.6 本章相關知識
參考文獻
第6章 神經網路的指數簇表示
6.1 神經網路的表示與學習
6.1.1 前饋網路的變換機理
6.1.2 反饋網路模型動力學系統模型
6.1.3 自組織神經網路結構的競爭特性和機理
6.1.4 神經網路的統計模型表示
6.2 人工神經網路系統的流形表示
6.2.1 指數簇流形與人工神經網路
6.2.2 彎曲指數簇流形與人工神經網路
6.3 神經場學習理論
6.3.1 神經場表示
6.3.2 神經場學習模型的形式化表示
6.3.3 神經場學習理論的幾何觀點
6.3.4 神經場學習算法
參考文獻
第7章 增殖神經網路
7.1 增殖性問題
7.1.1 增殖性研究
7.1.2 神經網路集成
7.1.3 增量學習
7.2 神經場增殖性研究的可行性理論分析
7.2.1 神經場結構描述空間
7.2.2 神經場複雜結構可分解機理
7.3 基於結構的神經場學習逼近理論
7.3.1 功能模組化的結構表示機理
7.3.2 知識增殖學習的結構表示機理
7.4 復形
參考文獻
第8章 層次化混合模型的知識增殖性
8.1 混合專家模型
8.1.1 混合專家模型的結構
8.1.2 混合模型結構的流形編碼表示
8.2 分層混合神經網路(HME)模型
8.2.1 工作原理
8.2.2 HME模型的EM學習算法
8.2.3 改進的EM學習算法
8.3 HME模型增殖性分析
8.4 動態多叉樹算法
8.4.1 算法原理
8.4.2 算法實現
8.4.3 系統擴展實現
8.4.4 算法分析與比較
參考文獻
