深度學習與信號處理： 原理與實踐

本書分析研究了深度學習相關的網絡模型，以及不同網絡模型的算法結構、原理與核心思想及實戰案例。
主要內容涉及人工神經網絡、模糊神經網絡、概率神經網絡、小波神經網絡、卷積神經網絡及其擴展模型、
深度生成對抗網絡及其擴展模型、深度受限玻爾茲曼機及其擴展模型、
深度信念網絡及其擴展模型、深度自編碼器及其擴展模型等深度學習網絡結構、原理與方法。
通過深度學習網絡在信道盲均衡、目標識別、圖像分類和運動模糊去除、特徵提取與識別、
缺陷早期診斷等領域中的應用案例，為讀者提供應用深度學習網絡解決具體問題的思路和方法。
本書適合人工智能、計算機、自動化、電子與通信、
大數據科學等相關學科專業的科學研究人員和工程技術人員閱讀，也可作為相關專業博士、碩士研究生的參考書。

前言
第1章初識深度學習1
1.1深度學習有多深1
1.2深度學習如何學4
1.3深度學習如何提速5
1.4主流深度學習框架12
1.5本書內容與體系結構13
第2章人工神經網絡15
2.1神經網絡演進15
2.2神經網絡訓練與預測22
2.3優化算法23
2.4計算圖30
2.5正則化懲罰項36
2.6神經網絡BP算法39
2.7過擬合與欠擬合43
2.8實例1：基於前饋神經網絡的動量盲均衡算法52
第3章模糊神經網絡58
3.1隸屬函數59
3.2常規模糊神經網絡66
3.3模糊聯想記憶神經網絡67
3.4神經模糊推理系統70
3.5神經網絡近似邏輯72
3.6實例2：基於智能模糊神經網絡的導彈防禦系統未知飛行目標識別方法73
第4章概率神經網絡85
4.1模式分類的貝葉斯判定策略85
4.2密度估計的一致性86
4.3概率神經網絡87
4.4貝葉斯陰陽系統理論90
4.5實例3：基於離散餘弦變換和概率神經網絡的腦腫瘤分類方法91
第5章小波神經網絡97
5.1小波理論97
5.2小波神經網絡101
5.3小波神經網絡訓練架構106
5.4小波神經網絡優化方法107
5.5實例4：基於嵌入小波神經網絡的常模盲均衡算法110
第6章卷積神經網絡116
6.1卷積神經網絡結構116
6.2卷積神經網絡128
6.3卷積操作的變種129
6.4池化操作的變種137
6.5常見的幾種卷積神經網絡結構145
6.6幾種拓展的捲積神經網絡結構158
6.7實例5：基於深度卷積神經網絡
的遙感圖像分類162
6.8實例6：基於深度卷積神經網絡的運動模糊去除170
第7章深度生成對抗網絡181
7.1生成對抗網絡原理181
7.3小波生成對抗網絡190
7.4多尺度生成對抗網絡196
7.5實例7：基於條件生成對抗網絡的三維肝臟及腫瘤區域自動分割200
7.6實例8：基於深度殘差生成對抗網絡的運動模糊圖像復原208
第8章深度受限玻爾茲曼機216
8.1玻爾茲曼機216
8.2稀疏受限玻爾茲曼機及競爭學習220
8.3分類受限玻爾茲曼機與改進模型226
8.4 (2D)2PCA受限玻爾茲曼機230
8.5實例9：受限玻爾茲曼機的步態特徵提取及其識別232
第9章深度信念網絡238
9.1深度信念網絡概述238
9.2 Gamma深度信念網絡243
9.3自適應深度信念網絡246
9.4 KPCA深度信念網絡248
9.5全參數動態學習深度信念網絡250
9.6深度信念網絡優化252
9.7實例10：基於貪婪方法的深度信念網絡診斷注意缺陷多動障礙259
第10章深度自編碼器264
10.1自編碼器264
10.2稀疏自適應編碼器267
10.3變分自編碼器268
10.4自編碼迴聲狀態網絡274
10.5深度典型相關稀疏自編碼器277
10.6條件雙重對抗自編碼網絡280
10.7自編碼應用模型283
10.8實例11：基於改進LDA和自編碼器的調製識別算法296
參考文獻303