制服丝袜人妻中文字幕在线,激情亚洲国产AV天美传媒,亚洲AV中文无码乱人伦在中文

　　《神經(jīng)網(wǎng)絡設計方法與實例分析》從神經(jīng)網(wǎng)絡設計和應用實踐出發(fā)，介紹了10種常見的人工神經(jīng)網(wǎng)絡的基本原理、設計方法，并從各個應用領域精選了豐富的典型應用實例進行剖析，旨在使讀者對各類常用的人工神經(jīng)網(wǎng)絡的基本原理和學習算法進一步加深理解，熟悉其主要功能，掌握其設計方法，了解其主要應用，為設計各類神經(jīng)網(wǎng)絡和解決實際問題打下基礎。主要內(nèi)容包括神經(jīng)網(wǎng)絡模型評估與選擇；10種典型網(wǎng)絡的設計與應用，包括BP網(wǎng)絡、RBF網(wǎng)絡、SOFM網(wǎng)絡、LVQ網(wǎng)絡、CPN網(wǎng)絡、ART網(wǎng)鉻、Hopfield網(wǎng)絡、時序遞歸網(wǎng)絡、CMAC網(wǎng)絡、SVM網(wǎng)絡；最后介紹了人工神經(jīng)元網(wǎng)絡設計開發(fā)平臺。
　　《神經(jīng)網(wǎng)絡設計方法與實例分析》可作為具有一定人工神經(jīng)網(wǎng)絡理論基礎的科技工作者解決實際問題時的設計參考書，也可作為相關專業(yè)研究生及本科專業(yè)高年級學生的參考教材。

　　人工神經(jīng)網(wǎng)絡自20世紀80年代復興以來，已經(jīng)經(jīng)過了20余年。除了神經(jīng)網(wǎng)絡理論得到了進一步的發(fā)展以外，神經(jīng)網(wǎng)絡的應用成果也日益豐富。神經(jīng)網(wǎng)絡今后發(fā)展的一個方向是將其成功地應用于生產(chǎn)、生活的各個方面，發(fā)揮其信息處理能力，擴展其應用范圍。作者在教學和科研中發(fā)現(xiàn)，即便掌握了一些神經(jīng)網(wǎng)絡的基本理論，在設計和應用中也需要一定的經(jīng)驗和指導。特別是初涉此領域的學生和工程技術人員，面對需要解決的問題，究竟選擇哪一種網(wǎng)絡和學習算法更為合適，如何進行設計和模型選擇，都是比較困難的事情。本書編寫的目的正是為已具有一定神經(jīng)網(wǎng)絡基礎，希望應用神經(jīng)網(wǎng)絡解決實際問題的人員提供一定的指導和參考。
　　基于此目的，本書選擇了近年應用較為普及的典型網(wǎng)絡，其中包括靜態(tài)網(wǎng)絡和動態(tài)網(wǎng)絡；既有監(jiān)督式學習網(wǎng)絡，也有無監(jiān)督式學習網(wǎng)絡；既有前饋網(wǎng)絡，也有反饋網(wǎng)絡；既有單個網(wǎng)絡的應用，也有多個網(wǎng)絡協(xié)同工作的應用。全書共12章，第1章介紹了通用的神經(jīng)網(wǎng)絡選擇原則，常用的模型性能評價方法，樣本的選擇和使用等；第2、3章介紹了典型的前饋網(wǎng)絡BP網(wǎng)絡和RBF網(wǎng)絡的基本理論、設計方法和應用實例；第4、5、6章分別介紹了基于競爭學習的SOFM網(wǎng)絡、LVQ網(wǎng)絡以及CPN網(wǎng)絡的基本理論、設計方法和應用實例；第7章介紹了自適應共振ART、網(wǎng)絡的基本理論、設計方法和應用實例；第8章介紹了具有聯(lián)想記憶和優(yōu)化計算功能的}topfield網(wǎng)絡的基本理論、設計方法和應用實例；第9章側(cè)重介紹有反饋和時延環(huán)節(jié)的、適合處理時間序列問題的時序遞歸網(wǎng)絡的基本理論、設計方法和應用實例；第10章介紹了智能控制中常用的局部逼近網(wǎng)絡——CMAC網(wǎng)絡——的基本理論、設計方法和應用實例；第11章介紹了善于處理小樣本問題的支持向量機的基本理論、設計方法和應用實例；第12章介紹了各種人工神經(jīng)元網(wǎng)絡設計開發(fā)平臺。本書的3位作者分工如下：第1章及第2、3、4、5、6、8、9、11章的部分基本理論和實例分析由施彥撰寫；第7章及第2～11章的基本理論和部分實例分析由韓力群撰寫；第12章及第2、4章部分實例分析由廉小親撰寫。
　　本書重點介紹人工神經(jīng)網(wǎng)絡的主要設計方法，從各個應用領域精選了豐富的典型應用實例進行剖析，旨在使讀者對各類常用人工神經(jīng)網(wǎng)絡的基本原理和學習算法進一步加深理解，熟悉其主要功能，掌握其設計方法，了解其主要應用，為設計各類神經(jīng)網(wǎng)絡和解決實際問題打下基礎。

　　第1章神經(jīng)網(wǎng)絡模型評估及選擇
　　神經(jīng)網(wǎng)絡的種類很多，每一種類型的網(wǎng)絡適合解決不同的問題，無論對于哪一種網(wǎng)絡，都需要在最終結(jié)束訓練和設計時評估網(wǎng)絡的性能。以什么指標作為評估網(wǎng)絡性能的主要指標，如何對該指標進行量化估計，如何提高網(wǎng)絡的性能，這是每個設計者都要遇到和需要解決的問題。即設計者在解決實際問題時，需要考慮以什么標準設置網(wǎng)絡的各項參數(shù)，控制其訓練過程，確定最終的模型等一系列問題。大多數(shù)情況下，我們不僅要求神經(jīng)網(wǎng)絡對現(xiàn)有訓練集具有較好的擬合能力，也要求它能夠?qū)τ柧毤酝獾耐植紨?shù)據(jù)做出較好的預測，這就與神經(jīng)網(wǎng)絡的泛化能力有關。本章從神經(jīng)網(wǎng)絡的泛化能力出發(fā)，討論神經(jīng)網(wǎng)絡模型性能評估問題，分析提高泛化能力的原理和途徑，給出估計泛化誤差的方法，關于模型選擇的問題則貫穿在各節(jié)當中。
　　1.1 神經(jīng)網(wǎng)絡的泛化能力
　　神經(jīng)網(wǎng)絡模型設計常常需要滿足多種不同的要求。例如，具有較好的泛化（推廣）能力、易于硬件實現(xiàn)、訓練速度快等。其中泛化能力最為重要，它是衡量神經(jīng)網(wǎng)絡性能優(yōu)劣的一個重要方面，這是因為建立神經(jīng)網(wǎng)絡模型的一個重要目標是通過對已知環(huán)境信息的學習，掌握其中的規(guī)律，從而對新的環(huán)境信息做出正確的預測。
　　泛化能力的定義如下：它是指經(jīng)訓練（學習）后的預測模型對未在訓練集中出現(xiàn)（但具有統(tǒng)一規(guī)律性）的樣本做出正確反映的能力，學習不是簡單地記憶已經(jīng)學過的輸入，而是通過對有限個訓練樣本的學習，學到隱含在樣本中的有關環(huán)境本身的內(nèi)在規(guī)律性。例如，對有導師學習的網(wǎng)絡，通過對已有樣本的學習，將所提取的樣本對中的非線性映射關系存儲在權(quán)值矩陣中，在其后的工作階段，當向網(wǎng)絡輸入訓練時未曾見過的非樣本數(shù)據(jù)（與訓練集同分布）時，網(wǎng)絡也能完成由輸入空間向輸出空間的正確映射。
　　神經(jīng)網(wǎng)絡的泛化能力涉及其在獨立的檢驗數(shù)據(jù)（Test Data）上的預測能力。

你還可能感興趣

我要評論