《神經網路在套用科學和工程中的套用：從基本原理到複雜的模式識別》是機械工業出版社2010年1月1日出版的圖書。
基本介紹
- 書名：神經網路在套用科學和工程中的套用：從基本原理到複雜的模式識別
- 出版社：機械工業出版社
- 出版時間：2010年1月1日
- 裝幀：平裝
- 開本：16開
- 正文語種：簡體中文
- 字數：561000
內容簡介,編輯推薦,作者簡介,目錄,
內容簡介
《神經網路在套用科學和工程中的套用:從基本原理到複雜的模式識別》是研究神經網路對科學數據進行模式識別的一種探索，主要介紹了神經網路的基本概念，並以圖示的形式用大量的實例和個案研究結合計算機仿真對神經網路用於模式識別的各種方法進行闡述與對比。《神經網路在套用科學和工程中的套用:從基本原理到複雜的模式識別》所涉及的學科領域包括生物學、經濟學、套用科學、工程、計算和商業等，研究了神經網路線上性和非線性預報、分類、聚類和預測方面的套用，並對模型開發的所有階段和結果進行了闡述，包括數據預處理、數據維數約簡、輸人選擇、模型開發和驗證、模型不確定性評估以及對輸入、誤差和模型參數的靈敏度分析。《神經網路在套用科學和工程中的套用:從基本原理到複雜的模式識別》內容清晰明了，並結合了大量實例使得全書更加容易理解。
《神經網路在套用科學和工程中的套用:從基本原理到複雜的模式識別》適合作為高等院校相關專業的大學生、研究生的教材及有關研究人員的參考用書。
編輯推薦
《神經網路在套用科學與工程中的套用:從基本原理到複雜的模式識別》為讀者提供了神經網路方面簡單但卻系統的介紹。
《神經網路在套用科學和工 程中的套用從基本原理到複雜的模式識別》以神經網路在科學數據分析中所扮演角色的介紹性討論作為開始，給出了神經網路的基本概念。《神經網路在套用科學和工程中的套用從基本原理到複雜的模式識別》首先對用於實際數據分析的神經網路結構進行了綜合概述，繼而對線性網路進行了大量的介紹，並介紹了所有處理階段 的用於非線性預報和分類的多層感知器。此外，還通過實際例子和個案研究闡述了模型開發技術。後面章節又提出了用於非線性數據聚類的自組織映射、用於線性或非線性時間序列預測的遞歸網路和適用於科學數據分析的其他類型的網路。
《神經網路在套用科學和工程中的套用從基本原理到複雜的模式識別》通過使用廣泛的圖示和多學科的內容以一種更容易理解的形式，填補了市場上神經網路用於多維科學數據的空白，並將神經網路與統計學聯繫了起來。
國際視野，科技前沿。
國際電氣工程先進技術譯叢，傳播國際最新技術成果，搭建電氣工程技術平台。
《神經網路在套用科學和工程中的套用從基本原理到複雜的模式識別》特點：
◆在多學科領域解釋了神經網路；
◆為了易於理解，使用了大量圖例來解釋複雜數據概念；
◆深入研究了神經網路線上性和非線性預報、分類，聚類和預測方面的套用；
◆闡述了模型開發的所有階段和結果的解釋，包括數據預處理，數據維數約簡，輸入選擇，模型開發和驗證，模型不確定性評估以及對輸入、誤差和模型參數的靈敏度分析。
作者簡介
作者：(美國)薩馬拉辛荷(Sandhya Samarasinghe) 譯者：史曉霞 陳一民 李軍治
目錄
譯者序
前言
致謝
作者簡介
第1章 從數據到模型：理解生物學、生態學和自然系統的複雜性和挑戰
1.1 概述
1.2 本書安排
參考文獻
第2章 神經網路基礎和線性數據分析模型
2.1 概述
2.2 神經網路及其能力
2.3 生物學的啟示
2.4 神經元信息處理的建模
2.5 神經元模型和學習策略
2.5.1 作為一個簡單分類器的閾值神經元
2.5.2 神經元和神經集合的學習模型
2.5.2.1 Hebbian學習
2.5.2.2 無監督學習或競爭學習
2.5.2.3 有監督學習
2.5.3 作為分類器的有監督學習的感知器
2.5.3.1 感知器學習算法
2.5.3.2 基於大量現實數據集的感知器實例：根據測定的成長年輪直徑辨識魚的起源
2.5.3.3 統計學中帶有線性判別函式分析的感知器比較
2.5.3.4 多種類分類中的多輸出感知器
2.5.3.5 使用感知器的高維分類
2.5.3.6 感知器小結
2.5.4 用於線性分類和預報的線性神經元
2.5.4.1 利用delta規則的學習
2.5.4.2 作為分類器的線性神經元
2.5.4.3 作為預報能力子集的線性神經元的分類屬性
2.5.4.4 實例：作為預報器的線性神經元
2.5.4.5 線性預報的實例：預報一個家庭的熱流
2.5.4.6 線性神經元模型與線性回歸的比較
2.5.4.7 實例：多輸入線性神經元模型——提高一個家庭的熱流預報精確度
2.5.4.8 一個多輸入線性神經元與多重線性回歸的比較
2.5.4.9 多線性神經元模型
2.5.4.10 多重線性神經網路與正則相關性分析的比較
2.5.4.11 線性神經元和線性網路小結
2.6 小結
習題
參考文獻
第3章 用於非線性模式識別的神經網路
3.1 概述
3.2 非線性神經元
3.2.1 神經元激勵函式
3.2.1.1 S形函式
3.2.1.2 高斯函式
3.2.2 實例：利用非線性神經元對人口增長建模
3.2.3 非線性神經元與非線性回歸分析的比較
3.3 單輸入多層非線性網路
3.3.1 用單一非線性隱含層神經元處理
3.3.2 實例：用多非線性神經元建立循環現象模型
3.3.2.1 實例1：逼近一個方波
3.3.2.2 實例2：為物種的季節性遷移建立模型
3.4 兩輸入的多層感知器網路
3.4.1 用非線性神經元處理二維輸入
3.4.2 網路輸出
3.4.3 實例：二維預報和分類
3.4.3.1 實例1：二維非線性函式逼近
3.4.3.2 實例2：二維非線性分類模型
3.5 用非線性多層感知器網路為多維數據建模
3.6 小結
習題
參考文獻
第4章 神經網路對非線性模式的學習
4.1 概述
4.2 非線性模式識別中網路的監督訓練
4.3 梯度下降法和誤差最小化
4.4 BP學習
4.4.1 實例：BP訓練——手工計算
4.4.1.1 關於輸出神經元權值的誤差梯度
4.4.1.2 關於隱含神經元權值的誤差梯度
4.4.1.3 梯度下降法在BP學習中的套用
4.4.1.4 批量學習：
4.4.1.5 學習率和權值更新
4.4.1.6 遍歷(線上)學習
4.4.1.7 動量法
4.4.2 實例：BP學習的計算實驗
4.4.3 具有多隱含神經元的單輸入單輸出網路
4.4.4 多輸入、多隱含神經元和單輸出網路
4.4.5 多輸入、多隱含神經元多輸出網路
4.4.6 實例：BP學習個案學習——解決一個複雜的分類問題
4.5 delta-bar-delta學習方法
4.5.1 實例：用delta-bar-delta的網路訓練一手工計算
4.5.2 實例：帶有動量的delta-bar-delta方法——手工計算
4.5.3 delta-bar-delta的網路訓練——計算機實驗
4.5.4 delta-bar-delta方法和BP方法的比較
4.5.5 實例：用delta-bar-delta方法的網路訓練——一個案例研究
4.6 最速下降法
4.6.1 實例：用最速下降法的網路訓練——手工計算
4.6.2 實例：用最速下降法的網路訓練——計算機實驗
4.7 誤差最小和權值最優的二階方法
4.7.1 QuickProp
4.7.1.1 實例：QuiekProp的網路訓練——手工計算
4.7.1.2 實例：QuickProp的網路訓練——計算機實驗
4.7.1.3 QuiekProp與最速下降法、delta-bar-delta和BP方法的比較
4.7.2 誤差最小的二階方法的基本概念
4.7.3 高斯.牛頓方法
4.7.3.1 採用高斯-牛頓方法的網路訓練——手工計算
4.7.3.2 實例：採用高斯-牛頓方法的網路訓練——計算機實驗
4.7.4 LM方法
4.7.4.1 實例：用LM方法的網路訓練——手工計算
4.7.4.2 用LM方法的網路訓練——計算機實驗
4.7.5 一階和二階方法在使誤差最小效果上的比較
4.7.6 一階和二階學習方法收斂性的比較
4.7.6.1 BP方法
4.7.6.2 最速下降法
4.7.6.3 高斯-牛頓方法
4.7.6.4 LM方法
4.8 小結
習題
參考文獻
第5章 從數據中抽取可靠模式的神經網路模型的實現
5.1 概述
5.2 偏差-方差折中
5.3 改善神經網路的泛化
5.3.1 及早停止法的說明
5.3.1.1 任意初始權值的影響
5.3.1.2 訓練好網路的權值結構
5.3.1.3 隨機採樣的影響
5.3.1.4 模型複雜性的影響：隱含神經元的數目
5.3.1.5 及早停止法小結
5.3.2 正規化法
5.4 通過修剪減小網路結構的複雜性
5.4.1 最優腦部損傷(OBD)
5.4.2 基於網路靈敏度方差的網路修剪
5.4.2.1 修剪權值的方差無效性套用的闡述
5.4.2.2 基於靈敏度的方差無效性修剪隱含神經元
5.5 網路對權值擾動的魯棒性
5.6 小結
習題
參考文獻
第6章 數據探測、維數約簡和特徵提取
6.1 概述
6.1.1 實例：關於相關輸入數據的木頭的熱導率
6.2 數據可視化
6.2.1 散點圖和柱狀圖的相關性
6.2.2 並行可視化
6.2.3 多維數據到二維平面的映射
6.3 變數間的相關性與協方差
6.4 數據的規範化
6.4.1 標準化
6.4.2 簡單值域調整
6.4.3 白化——多維相關數據的規範化
6.5 選擇相關輸入
6.5.1 用於變數選擇的統計手段
6.5.1.1 偏相關
6..5.1.2 多元回歸與最優子集回歸
……
第7章 使用貝葉斯統計的神經網路模型的不確定性評估
第8章 套用自組織映射的方法發現數據中的未知聚類
第9章 神經網路在時間序列預測中的套用
附錄
