神經(jīng)計(jì)算原理

出版者的話  
專家指導(dǎo)委員會(huì)  
譯者序
前言  
致謝  
重要符號(hào)和算符  
重要縮寫(xiě)詞  
第一部分 神經(jīng)計(jì)算的基本概念和部分神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)及其學(xué)習(xí)規(guī)則  
第1章 神經(jīng)計(jì)算概述  
1. 1 神經(jīng)計(jì)算是什么  
1. 2 神經(jīng)計(jì)算的發(fā)展歷史  
1. 3 神經(jīng)計(jì)算和神經(jīng)科學(xué)  
1. 4 神經(jīng)網(wǎng)絡(luò)的分類  
1. 5 本書(shū)指南  
參考文獻(xiàn)  
笫2章 神經(jīng)計(jì)算的基本概念  
2. 1 概述  
2. 2 人工神經(jīng)元的基本模型  
2. 3 基本激活函數(shù)  
2. 4 人工神經(jīng)元的霍普菲爾德模型  
2. 5 自適應(yīng)線性單元和多重自適應(yīng)線性單元  
2. 5. 1 簡(jiǎn)單自適應(yīng)線性組合器和LMS算法  
2. 5. 2 自適應(yīng)線性單元  
2. 5. 3 多重自適應(yīng)線性單元  
2. 6 簡(jiǎn)單感知器  
2. 6. 1 Mays感知器學(xué)習(xí)規(guī)則  
2. 6. 2 具有S形激活函數(shù)的簡(jiǎn)單感知器  
2. 7 前饋多層感知器  
2. 8 單個(gè)神經(jīng)元基本學(xué)習(xí)規(guī)則概述  
2. 8. 1 廣義的LMS學(xué)習(xí)規(guī)則  
2. 8. 2 Hebb學(xué)習(xí)  
2. 8. 3 Oja學(xué)習(xí)規(guī)則  
2. 8. 4 位勢(shì)學(xué)習(xí)規(guī)則  
2. 8. 5 相關(guān)學(xué)習(xí)規(guī)則  
2. 8. 6 標(biāo)準(zhǔn)感知器學(xué)習(xí)規(guī)則  
2. 8. 7 廣義感知器學(xué)習(xí)規(guī)則  
2. 9 數(shù)據(jù)預(yù)處理  
2. 9. 1 規(guī)整  
2. 9. 2 變換  
2. 9. 3 傅里葉變換  
2. 9. 4 主成分分析  
2. 9. 5 部分最小二乘回歸  
2. 9. 6 小波和小波變換  
習(xí)題  
參考文獻(xiàn)  
第3章 映射網(wǎng)絡(luò)  
3. 1 概述  
3. 2 聯(lián)想記憶網(wǎng)絡(luò)  
3. 2. 1 一般的線性分布式聯(lián)想記憶  
3. 2. 2 相關(guān)矩陣記憶  
3. 2. 3 相關(guān)矩陣記憶的誤差修正方法  
3. 3 反向傳播學(xué)習(xí)算法  
3. 3. 1 前饋多層感知器的基本反向傳播算法  
3. 3. 2 使用標(biāo)準(zhǔn)反向傳播中的一些實(shí)際問(wèn)題  
3. 3. 3 具有動(dòng)量更新的反向傳播學(xué)習(xí)算法  
3. 3. 4 批量更新  
3. 3. 5 搜索然后收斂方法  
3. 3. 6 可變學(xué)習(xí)率的批量更新  
3. 3. 7 反向傳播算法的向量矩陣形式  
3. 4 加速學(xué)習(xí)反向傳播算法  
3. 4. 1 前饋多層感知器的共軛梯度反向傳播  
3. 4. 2 基于最小二乘的遞歸反向傳播算法  
3. 4. 3 具有自適應(yīng)激活函數(shù)斜度的反向傳播  
3. 4. 4 Levenberg-Marquardt算法  
3. 5 對(duì)傳  
3. 6 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)  
3. 6. 1 訓(xùn)練具有固定中心的RBF NN  
3. 6. 2 用隨機(jī)梯度方法訓(xùn)練RBF NN  
3. 6. 3 正交最小二乘  
習(xí)題  
參考文獻(xiàn)  
第4章 自組織網(wǎng)絡(luò)  
4. 1 概述  
4. 2 Kohonen自組織映射  
4. 3 學(xué)習(xí)向量的量化  
4. 4 自適應(yīng)共振理論(ART)神經(jīng)網(wǎng)絡(luò)  
4. 4. 1 ART1  
4. 4. 2 模糊ART和模糊ARTMAP  
習(xí)題  
參考文獻(xiàn)  
第5章 遞歸網(wǎng)絡(luò)和時(shí)間前饋網(wǎng)絡(luò)  
5. 1 概述  
5. 2 遞歸神經(jīng)網(wǎng)絡(luò)概述  
5. 3 霍普菲爾德聯(lián)想記憶  
5. 4 模擬退火  
5. 5 玻爾茲曼機(jī)  
5. 6 時(shí)間前饋網(wǎng)絡(luò)概述  
5. 7 簡(jiǎn)單遞歸網(wǎng)絡(luò)  
5. 8 時(shí)延神經(jīng)網(wǎng)絡(luò)  
5. 9 分布式時(shí)滯前饋神經(jīng)網(wǎng)絡(luò)  
習(xí)題
參考文獻(xiàn)  
第二部分 神經(jīng)計(jì)算的應(yīng)用  
第6章 用神經(jīng)網(wǎng)絡(luò)解決最優(yōu)化問(wèn)題  
6. 1 概述  
6. 2 解決線性規(guī)劃問(wèn)題的神經(jīng)網(wǎng)絡(luò)  
6. 2. 1 解決LP問(wèn)題標(biāo)準(zhǔn)形式的神經(jīng)網(wǎng)絡(luò)  
6. 2. 2 解決LP問(wèn)題非標(biāo)準(zhǔn)形式的神經(jīng)網(wǎng)絡(luò)  
6. 3 解決二次規(guī)劃問(wèn)題的神經(jīng)網(wǎng)絡(luò)  
6. 4 解決非線性連續(xù)約束最優(yōu)化問(wèn)題的神經(jīng)網(wǎng)絡(luò)  
6. 4. 1 罰函數(shù)NP方法的神經(jīng)網(wǎng)絡(luò)  
6. 4. 2 障礙函數(shù)NP方法的神經(jīng)網(wǎng)絡(luò)  
6. 4. 3 普通拉格朗日乘子NP方法的神經(jīng)網(wǎng)絡(luò)  
6. 4. 4 增廣拉格朗日乘子方法的神經(jīng)網(wǎng)絡(luò)  
習(xí)題  
參考文獻(xiàn)  
第7章 用神經(jīng)網(wǎng)絡(luò)解決矩陣代數(shù)問(wèn)題  
7. 1 概述  
7. 2 矩陣的逆和偽逆  
7. 3 LU分解  
7. 4 QR因子分解  
7. 5 舒爾分解  
7. 6 譜因子分解——特征值分解(EVD)(對(duì)稱特征值問(wèn)題)  
7. 7 對(duì)稱特征值問(wèn)題的神經(jīng)網(wǎng)絡(luò)方法  
7. 8 奇異值分解  
7. 9 求解代數(shù)李雅普諾夫方程的神經(jīng)計(jì)算方法  
7. 10 求解代數(shù)里卡蒂方程的神經(jīng)計(jì)算方法  
習(xí)題  
參考文獻(xiàn)  
第8章 使用神經(jīng)網(wǎng)絡(luò)求解線性代數(shù)方程組  
8. 1 概述  
8. 2 聯(lián)立線性代數(shù)方程組  
8. 3 線性方程組的最小二乘解  
8. 4 求解線性方程組的最小二乘神經(jīng)計(jì)算方法  
8. 5 求解線性方程組的共軛梯度學(xué)習(xí)規(guī)則  
8. 6 求解受噪聲侵?jǐn)_的線性方程組的廣義魯棒方法  
8. 7 帶病態(tài)確定數(shù)值秩的不適定問(wèn)題的正則化方法  
8. 8 求解線性方程組的離散時(shí)間迭代方法中的矩陣分裂  
8. 9 最小二乘問(wèn)題  
8. 10 線性方程組的L∞范數(shù)(最小最大)神經(jīng)網(wǎng)絡(luò)  
8. 11 求解線性方程的L1范數(shù)(最小絕對(duì)偏差)神經(jīng)網(wǎng)絡(luò)  
習(xí)題  
參考文獻(xiàn)  
第9章 使用神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)方法  
9. 1 概述  
9. 2 主成分分析  
9. 3 神經(jīng)網(wǎng)絡(luò)自適應(yīng)主成分估計(jì)的學(xué)習(xí)算法  
9. 3. 1 第一主成分估計(jì)——Oja的正規(guī)化Hebb學(xué)習(xí)規(guī)則  
9. 3. 2 多個(gè)主成分估計(jì)——對(duì)稱子空間學(xué)習(xí)規(guī)則  
9. 3. 3 多個(gè)主成分估計(jì)——廣義Hebb算法  
9. 3. 4 多個(gè)主成分估計(jì)——隨機(jī)梯度上升算法  
9. 3. 5 多個(gè)主成分估計(jì)——自適應(yīng)主成分提取算法  
9. 3. 6 非線性主成分分析(NLPCA)和魯棒PCA  
9. 4 主成分回歸  
9. 5 部分最小二乘回歸  
9. 6 部分最小二乘回歸的神經(jīng)網(wǎng)絡(luò)方法  
9. 7 魯棒PLSR：一種神經(jīng)網(wǎng)絡(luò)方法  
習(xí)題  
參考文獻(xiàn)  
第10章 使用神經(jīng)網(wǎng)絡(luò)進(jìn)行辨識(shí). 控制和估計(jì)  
10. 1 概述  
10. 2 線性系統(tǒng)的表示法  
10. 3 自回歸滑動(dòng)平均模型  
10. 4 用ARMA模型的線性系統(tǒng)辨識(shí)  
10. 5 應(yīng)用PLSNET進(jìn)行線性系統(tǒng)的參數(shù)系統(tǒng)辨識(shí)  
10. 6 非線性系統(tǒng)的表示法  
10. 6. 1 非線性輸入-狀態(tài)-輸出表示法  
10. 6. 2 非線性ARMA  
10. 7 非線性動(dòng)態(tài)系統(tǒng)的辨識(shí)和控制  
10. 7. 1 非線性系統(tǒng)的辨識(shí)  
10. 7. 2 非線性控制  
10. 8 獨(dú)立成分分析：未知源信號(hào)的盲分離  
10. 8. 1 獨(dú)立成分分析的概述  
10. 8. 2 用神經(jīng)網(wǎng)絡(luò)進(jìn)行獨(dú)立成分分析  
10. 8. 3 用于ICA的快速固定點(diǎn)算法  
10. 9 可加噪聲中的正弦曲線的譜估計(jì)  
10. 9. 1 問(wèn)題描述  
10. 9. 2 頻率估計(jì)問(wèn)題的PLSR解  
10. 10 其他案例分析  
10. 10. 1 從近紅外譜模擬數(shù)據(jù)估計(jì)葡萄糖濃度  
10. 10. 2 使用次聲數(shù)據(jù)進(jìn)行事件分類  
習(xí)題  
參考文獻(xiàn)  
附錄A 神經(jīng)計(jì)算的數(shù)學(xué)基礎(chǔ)  
A. 1 引言  
A. 2 線性代數(shù)  
A. 2. 1 域和向量空間  
A. 2. 2 矩陣的表示和運(yùn)算  
A. 2. 3 內(nèi)積和外積  
A. 2. 4 向量的線性無(wú)關(guān)  
A. 2. 5 矩陣的秩和線性無(wú)關(guān)  
A. 2. 6 矩陣的確定性  
A. 2. 7 矩陣的逆和偽逆  
A. 2. 8 正交矩陣. 酉矩陣和共軛向量  
A. 2. 9 特征值和特征向量  
A. 2. 10 相似變換  
A. 2. 11 若當(dāng)標(biāo)準(zhǔn)形  
A. 2. 12 動(dòng)態(tài)系統(tǒng)的狀態(tài)空間描述  
A. 2. 13 向量和矩陣的范數(shù)  
A. 2. 14 奇異值分解  
A. 2. 15 矩陣條件數(shù)  
A. 2. 16 分塊矩陣運(yùn)算  
A. 2. 17 克羅內(nèi)克積與和  
A. 2. 18 實(shí)數(shù)和復(fù)數(shù)方陣的重要性質(zhì)小結(jié)  
A. 2. 19 模式化矩陣和特殊矩陣  
A. 3 多變量分析的原理  
A. 3. 1 集合和函數(shù)  
A. 3. 2 二-次型  
A. 3. 3 鏈?zhǔn)椒▌t  
A. 3. 4 矩陣微積分  
A. 3. 5 黑塞矩陣  
A. 3. 6 雅可比矩陣  
A. 3. 7 泰勒級(jí)數(shù)展開(kāi)式  
A. 4 李雅普諾夫直接法  
A. 5 無(wú)約束最優(yōu)化方法  
A. 5. 1 極值的充分必要條件  
A. 5. 2 最速下降法  
A. 5. 3 牛頓法  
A. 5. 4 改進(jìn)的牛頓法和擬牛頓法  
A. 5. 5 共軛梯度法  
A. 6 約束非線性規(guī)劃  
A. 6. 1 庫(kù)恩-塔克條件  
A. 6. 2 拉格朗日乘子法  
A. 7 隨機(jī)變量和隨機(jī)過(guò)程  
A. 7. 1 隨機(jī)變量  
A. 7. 2 概率分布函數(shù)  
A. 7. 3 概率密度函數(shù)  
A. 7. 4 期望值. 均值和矩  
A. 7. 5 隨機(jī)過(guò)程  
A. 7. 6 向量隨機(jī)過(guò)程  
A. 7. 7 發(fā)功率譜密度函數(shù)和功率譜密度矩陣  
A. 7. 8 白噪聲驅(qū)動(dòng)的線性系統(tǒng)和譜因子分解  
A. 8 模糊集合論  
A. 9 部分三角恒等式  
參考文獻(xiàn)  
主題索引