图书介绍
大规模人工神经网络理论基础PDF|Epub|txt|kindle电子书版本网盘下载
- 罗四维著 著
- 出版社： 清华大学出版社；北方交通大学出版社
- ISBN：7810821741
- 出版时间：2004
- 标注页数：177页
- 文件大小：9MB
- 文件页数：188页
- 主题词：人工神经元网络－研究生－教材
PDF下载
下载说明
大规模人工神经网络理论基础PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
目录1
第1章 绪论1
1.1 人工神经网络介绍1
1.1.1 人工神经网络的概述和发展史1
1.1.2 神经元的形式化描述和人工神经网络模型3
1.2 人工神经网络的发展趋势5
1.2.1 生物智能的启发5
1.2.2 泛化能力6
1.2.3 人工神经网络的发展趋势7
1.3 神经场学习理论9
1.3.1 神经场理论的目的和意义9
1.3.2 神经场理论的研究现状11
1.4 知识可增殖人工神经网络12
参考文献13
2.1.2 联合熵与条件熵17
2.1.1 熵17
2.1 信息论的原理17
第2章 系统熵17
2.1.3 相对熵18
2.1.4 互信息19
2.1.5 微分熵20
2.1.6 随机变量序列下的链式规则21
2.1.7 信息论中的一些基本不等式22
2.2.1 最大熵原理25
2.2 系统熵25
2.2.2 最小相对信息原理27
2.2.3 最小平均“能量”原理30
2.2.4 有序和无序平衡原理31
2.2.5 系统平衡态的熵31
2.2.6 平衡状态的平均能量32
2.2.7 最大熵分布33
参考文献35
3.1.1 微分流形36
第3章 神经场研究的数学基础36
3.1 微分流形的基本概念36
3.1.2 切向量和切向量空间38
3.1.3 Riemannian流形与仿射联络39
3.1.4 子流形40
3.2 信息几何理论41
3.2.1 对偶平坦流形41
3.2.2 统计模型流形的几何结构43
3.2.3 指数流形上的几何44
3.3 流形上的拓扑结构分析理论46
参考文献47
第4章 传统学习算法48
4.1 感知器算法48
4.1.1 感知器基本性质48
4.1.2 感知器梯度算法50
4.1.3 感知器算法的收敛性54
4.1.4 线性阈值部件感知器56
4.2 误差反传递算法57
4.2.1 两层网的缺点57
4.2.2 扩展误差（△）规则58
4.2.3 模拟结果63
4.3 竞争学习算法70
4.3.1 竞争学习70
4.3.2 形式分析72
4.3.3 实验结果74
4.4 Hopfield模型78
4.4.1 Ising模型78
4.4.2 平均场近似模型79
4.4.3 Hopfield模型82
4.4.4 Hopfield权值公式证明83
4.4.5 连续Hopfield网络模型85
4.4.6 Hopfield网络的应用87
4.5.1 RBF的介绍88
4.5 径向基神经网络算法88
4.5.2 径向基函数网络介绍90
4.5.3 RBF网络训练的准则和常用算法92
4.5.4 RBF网络的交替梯度算法94
4.5.5 一维梯度算法96
4.5.6 在线自然交替梯度算法97
4.5.7 共轭梯度算法98
4.6 本章相关知识99
参考文献101
第5章 概率网络模型103
5.1 网络103
5.2 玻耳兹曼机器104
5.2.1 玻耳兹曼机器的相关理论104
5.2.2 玻耳兹曼机器108
5.3 玻耳兹曼机器的互信息最大化原则113
5.4 玻耳兹曼机器的冗余度最小化和信息最大化115
5.5.1 分层前馈网络的概率模型117
5.5 EM算法117
5.5.2 EM算法的基本思想120
5.5.3 EM算法的具体步骤123
5.5.4 编程公式推导123
5.6 本章相关知识125
参考文献127
第6章 神经网络的指数簇表示128
6.1 神经网络的表示与学习128
6.1.1 前馈网络的变换机理128
6.1.2 反馈网络模型动力学系统模型129
6.1.3 自组织神经网络结构的竞争特性和机理130
6.1.4 神经网络的统计模型表示130
6.2 人工神经网络系统的流形表示131
6.2.1 指数簇流形与人工神经网络132
6.2.2 弯曲指数簇流形与人工神经网络134
6.3.1 神经场表示137
6.3 神经场学习理论137
6.3.2 神经场学习模型的形式化表示138
6.3.3 神经场学习理论的几何观点138
6.3.4 神经场学习算法139
参考文献140
第7章 增殖神经网络143
7.1 增殖性问题143
7.1.1 增殖性研究143
7.1.2 神经网络集成144
7.1.3 增量学习145
7.2 神经场增殖性研究的可行性理论分析145
7.2.1 神经场结构描述空间146
7.2.2 神经场复杂结构可分解机理147
7.3 基于结构的神经场学习逼近理论151
7.3.1 功能模块化的结构表示机理151
7.3.2 知识增殖学习的结构表示机理153
参考文献155
7.4 复形155
第8章 层次化混合模型的知识增殖性157
8.1 混合专家模型157
8.1.1 混合专家模型的结构157
8.1.2 混合模型结构的流形编码表示159
8.2分层混合神经网络（HME）模型161
8.2.1 工作原理161
8.2.2 HME模型的EM学习算法163
8.2.3 改进的EM学习算法165
8.3 HME模型增殖性分析168
8.4 动态多叉树算法170
8.4.1 算法原理171
8.4.2 算法实现172
8.4.3 系统扩展实现175
8.4.4 算法分析与比较175
参考文献176