前馈神经网络及其应用PDF电子书下载

第1章 绪论 1

1.1有监督学习和无监督学习 1

1.1.1有监督学习 1

1.1.2无监督学习 3

1.2神经网络的分类 3

1.2.1前馈神经网络 4

1.2.2反馈神经网络 6

1.3前馈神经网络的模型选择与混合策略 6

1.3.1前馈神经网络的模型选择 6

1.3.2前馈神经网络的混合策略 9

参考文献 10

第2章 有监督学习前馈神经网络 14

2.1多层感知器神经网络 14

2.1.1网络结构 14

2.1.2学习算法 15

2.1.3逼近理论 17

2.2径向基函数神经网络 18

2.2.1网络结构 18

2.2.2学习算法 19

2.2.3逼近理论 21

2.3切比雪夫神经网络 22

2.3.1网络结构 22

2.3.2学习算法 23

2.3.3逼近理论 24

2.4支持向量机 25

2.4.1网络结构 25

2.4.2学习算法 27

2.4.3逼近理论 28

参考文献 29

第3章 无监督学习前馈神经网络 33

3.1自组织映射神经网络 33

3.1.1网络结构 33

3.1.2学习算法 34

3.1.3核自组织映射神经网络 35

3.2神经气网络 37

3.2.1学习算法 38

3.2.2核神经气网络 39

3.2.3生长型神经气网络 40

3.3主成分分析及其改进方法 41

3.3.1主成分分析 42

3.3.2核主成分分析 45

3.3.3二维主成分分析 46

参考文献 47

第4章 前馈神经网络的模型选择 49

4.1基于假设检验的方法 49

4.1.1 Wald-检验 49

4.1.2 LM检验 50

4.2基于信息准则的方法 51

4.2.1 AIC准则和BIC准则 51

4.2.2最小描述长度和交叉验证 52

4.3基于敏感度分析的方法 53

4.3.1基于偏导数的敏感度分析方法 53

4.3.2基于随机分析的敏感度分析方法 58

4.4基于互信息的方法 64

4.4.1互信息及其估计 64

4.4.2基于互信息的多层感知器两阶段构造方法 67

参考文献 78

第5章 单个前馈神经网络 81

5.1基于正则化相关熵的径向基函数神经网络学习方法 81

5.1.1正则化相关熵准则 82

5.1.2数值实验 87

5.2椭球基函数神经网络的混合学习方法 91

5.2.1椭球基函数神经网络 92

5.2.2椭球基函数神经网络的混合学习策略 93

5.2.3数值实验 96

5.3基于互信息的特征加权支持向量机 100

5.3.1基于互信息的特征权重估计 101

5.3.2特征加权支持向量机 103

5.3.3数值实验 105

参考文献 111

第6章 混合前馈神经网络 116

6.1高斯、Sigmoid、切比雪夫混合前馈神经网络 116

6.1.1 Gauss-Sigmoid神经网络 116

6.1.2高斯-切比雪夫神经网络 117

6.1.3数值实验 120

6.2基于自适应模糊c均值的混合专家模型 125

6.2.1基于PBMF-index的模糊c均值聚类算法 129

6.2.2结构描述和实现方法 130

6.2.3数值实验 131

参考文献 142

第7章 前馈神经网络的应用 146

7.1前馈神经网络在人脸识别中的应用 146

7.2前馈神经网络在非线性时间序列预测中的应用 150

7.3前馈神经网络在图像分割中的应用 154

7.4前馈神经网络在异常检测中的应用 157

参考文献 162

附录 部分前馈神经网络的Matlab源代码 165

附录1基本模型 165

附录2模型选择 172

附录3改进模型 176

索引 188