搜索
高级检索
高级搜索
书       名 :
著       者 :
出  版  社 :
I  S  B  N:
文献来源:
出版时间 :
神经网络权值直接确定法
0.00    
图书来源: 浙江图书馆(由图书馆配书)
  • 配送范围:
    全国(除港澳台地区)
  • ISBN:
    9787306037473
  • 作      者:
    张雨浓,杨逸文,李巍著
  • 出 版 社 :
    中山大学出版社
  • 出版日期:
    2010
收藏
作者简介
    张雨浓,男,博士,教授,博士生导师,1973年10月生。1992年至1996年在华中理工大学攻读学士学位;1996年考入华南理工大学攻读硕士学位,期间荣获多项奖励,如西门子奖学金和南粤优秀研究生奖学金。1999年至2002年在中国香港中文大学攻读博士学位,期间发表6篇IEEE Transactions杂志论文和3篇其他杂志论文,并荣获香港Lee Hysan研究生奖学金。2003年完成博士学业之后,在新加坡国立大学电力与计算机工程系做博士后研究,主要研究领域为时变求逆的神经网络和冗余机器人系统。2004年前往英国斯杰科莱大学任研究员(Research Fellow),主要研究领域为高斯过程回归及其快速算法。2005年初,转往爱尔兰国立大学梅驽斯分校哈密顿研究所任研究科学家/研究员(ResearchScientist/Research Fellow)。2006年6月受聘于中山大学信息科学与技术学院,任“百人计划”教授,主要研究领域为冗余机器人、递归神经网络和高斯过程计算及优化研究等。多次参加和参与组织国际学术会议并担任小组主席等职务。迄今,共发表中英文论文140余篇,其中在IEEE Transactions上发表论文10篇(含IEEE Transactions长文6篇),被SCI收录30余篇,被EI收录80余篇。<br>    杨逸文,男,在读硕士,1986年8月生。2005年至2009年在中山大学软件学院攻读学士学位,期间获得多项奖励,如中山大学优秀学生一等奖学金、镇泰奖学金、惠普奖学金和国家奖学金等。2009年至今在中山大学信息科学与技术学院攻读硕士学位。主要研究领域为神经网络、系统优化和冗余机器人。共发表中英文论文8篇,被EI收录4篇。<br>    李巍,男,1987年1月生。2007年获得中山大学电子信息科学与技术专业学士学位,2009年获得中山大学通信与信息系统专业硕士学位。在学习期间获得过中山大学研究生奖助金、镇泰奖学金等多项奖励。攻读硕士学位期间主要研究方向为人工神经网络。共发表中英文论文8篇,被SCI收录l篇,被EI收录2篇。
展开
内容介绍
    《神经网络权值直接确定法》提出了一种神经网络权值直接确定的方法。不同于传统的神经网络迭代学习思想,新方法可以一步直接计算出学习型神经网络的最优权值,展示其在计算速度和学习精度方面的优越性。考虑到人工神经网络拓扑结构与其性能有着密切的关系,因此,围绕网络结构(隐神经元数)进行性能优化一直以来都是人工神经网络研究的一个重要方向;基于提出的权值直接确定方法,《神经网络权值直接确定法》提出了神经网络结构(隐神经元数)最优确定算法,从而可以快速确定性地得到神经网络的最佳(或较佳)拓扑结构。
展开
精彩书摘
    第1章  人工神经网络概述<br>    人工神经网络(ArtificialNeuralNetwork,ANN,以下如无特别指出,则简称“神经网络”,NN)是模拟生物神经系统的组织结构、处理方式和系统功能的简化系统;是人工智能的一个分支,是一门始于20世纪40年代的新兴交叉学科,涉及数学、电子与控制、计算机科学、脑科学、神经生理学、认知科学、非线性动力学等众多学科领域。众所周知,人类大脑是思维活动的物质基础,而思维是人类智能的集中体现。长期以来,人们试图了解人脑的工作机理从而模仿人脑的功能。人工神经网络就是这样一类由大量处理单元(神经元)广泛互连而成的网络,是对人脑的抽象、简化和模拟,试图反映人脑的基本特性。自1943年第一个神经元模型——M—P(McCulloch—Pitts)模型被提出以来,人工神经网络研究经历了曲折的发展过程,迄今已建立了数十种甚至更多的网络模型,并以其特有的并行处理、分布式存储、自适应自组织自学习和高度容错能力而受到广泛关注,是近年来的热点研究领域之一,其应用范围更是涉及前述的计算机科学与技术、信息与通信工程、电气工程、人工智能、模式识别和控制工程等诸多学科和领域。<br>    1.1神经网络的基本概念<br>    本章下文将介绍人工神经网络的基本概念,以期读者有个轮廓性的了解,也为以后各章的具体讨论奠定相关的背景知识和基础。<br>    1.1.1什么是人工神经网络<br>    人脑是生物进化的最高产物,是人类智能、思维和情绪等高级精神活动的物质基础。现代科学的发展使得人类有条件对大脑的神经网络进行分析和研究,从而揭示人脑的工作机理,了解神经系统的工作本质。依据脑科学和神经生理.学,我们可以得到如下共识:神经元是布满在人类大脑皮层上的神经细胞,神经元之间彼此广泛互连从而形成生物神经网络;人脑神经网络以生物神经元为基本处理单元,对信息进行分布式存储与加工;构成神经系统的神经元采用群体协同的工作方式,从而使得人脑呈现出了神奇的智能。
展开
目录
第1章 人工神经网络概述<br>1.1 神经网络的基本概念<br>1.1.1 什么是人工神经网络<br>1.1.2 人工神经网络的生物学基础<br>1.1.3 人工神经元模型<br>1.1.4 人工神经网络模型<br>1.1.5 神经网络学习算法<br>1.2 神经网络发展简史<br>1.3 神经网络应用<br>1.3.1 模式识别<br>1.3.2 自动控制<br>1.3.3 信号处理<br>1.3.4 人工智能<br>参考文献<br><br>第2章 传统神经网络及学习算法<br>2.1 感知器<br>2.1.1 简单单层感知器网络<br>2.1.2 单层感知器神经网络<br>2.1.3 单层感知器的有教师学习算法<br>2.1.4 单层感知器网络的局限性<br>2.2 径向基网络<br>2.3 Hopfield神经网络<br>2.4 误差回传(BP)神经网络<br>2.5 MATIAB神经网络工具箱<br>参考文献<br><br>第3章 BP神经网络<br>3.1 BP神经网络的发展<br>3.2 BP神经元及神经网络模型<br>3.3 BP神经网络学习算法<br>3.3.1 信号的正向传递<br>3.3.2 BP学习算法的误差反向传播与权值阈值更新增量<br>3.3.3 网络权值阈值更新公式<br>3.4 BP神经网络的局限<br>3.4.1 局部极小点<br>3.4.2 学习/收敛速度慢<br>3.4.3 网络结构难以确定<br>3.5 标准BP算法的改进<br>3.5.1 增加动量项的BP学习算法<br>3.5.2 可变学习率的BP算法<br>3.5.3 弹性BP学习算法<br>3.5.4 共轭梯度法改进<br>3.5.5 Levenbe唱Marquardt算法<br>3.6 计算机简单示例<br>参考文献<br><br>第4章 权值直接确定法<br>4.1 相关数学基础<br>4.1.1 最佳逼近理论<br>4.1.2 多元多项式的逼近理论<br>4.1.3 矩阵伪逆与线性方程组求解<br>4.2 幂激励前向神经网络<br>4.2.1 网络模型与理论基础<br>4.2.2 基于BP算法的迭代公式<br>4.2.3 权值直接确定公式<br>4.2.4 计算机仿真实例<br>4.2.5 小结与思考<br>参考文献<br>附录 <br><br>第5章 权值可直接确定的神经网络模型(一)<br>5.1 正交多项式激励函数——<br>5.2 Hemite正交多项式神经网络<br>5.3 Chebyshev正交多项式神经网络<br>5.4 Jacobi正交多项式神经网络<br>5.5 小结与思考<br>参考文献<br><br>第6章 权值可直接确定的神经网络模型(二)<br>6.1 Fourier级数及逼近<br>6.2 Fourier三角基神经网络<br>6.3 Fourier复指数基神经网络<br>6.4 小结与思考<br>参考文献<br>附录<br><br>第7章 权值可直接确定的其他神经网络模型<br>7.1 Pad6有理式神经网络<br>7.2 样条神经网络<br>7.3 小结与思考<br>7.3.1 相对BP算法的突破<br>7.3.2 对网络激励函数的要求<br>7.3.3 理论与应用上的新意<br>参考文献<br><br>第8章 神经网络结构自确定<br>8.1 神经网络的拓扑结构<br>8.1.1 简单前向神经网络结构<br>8.1.2 带反馈的前向神经网络结构<br>8.1.3 层内互连的前向神经网络结构<br>8.1.4 反馈神经网络结构<br>8.2 隐神经元数对前向网络性能的影响<br>8.3 传统网络结构调整方法<br>8.3.1 基于信息熵的隐神经元数估计法<br>8.3.2 基于LMBP改进算法的神经网络结构优化<br>8.3.3 基于黄金分割的优化算法<br>8.3.4 剪枝算法<br>8.3.5 基于遗传算法的网络结构优化<br>8.3.6 代数方程优化法<br>8.4 动态结构神经网络的实现<br>8.4.1 动态增添神经元算法<br>8.4.2 动态删减神经元算法<br>8.4.3 计算机仿真与展示<br>8.4.4 计算机应用示例<br>8.5 神经网络最优结构确定<br>参考文献<br><br>第9章 基于权值直接确定法的网络结构自确定算法<br>9.1 chebyshev神经网络结构自确定<br>9.2 Legendre神经网络结构自确定<br>9.3 Gegenbauer神经网络结构自确定<br>9.4 结构自确定法的适用范围和应用意义<br>参考文献<br>附录<br><br>第10章 多输入神经网络权值与结构确定<br>10.1 多输人多项式神经网络模型<br>10.2 多输人多项式神经网络权值直接确定<br>10.2.1 权值迭代修正公式<br>10.2.2 全局收敛性质及最优权值直接求解<br>10.2.3 计算机仿真验证及与BP、RBF神经网络性能对比<br>10.3 多输入多项式神经网络的结构自确定<br>10.4 小结与思考<br>参考文献<br>附录
展开
加入书架成功!
收藏图书成功!
我知道了(3)
发表书评
读者登录

请选择您读者所在的图书馆

选择图书馆
浙江图书馆
点击获取验证码
登录
没有读者证?在线办证