神經網絡理論及應用實踐

廉小親，博士、教授、碩士生導師、北京工商大學人工智能學院副院長。兼任中國人工智能學會智能服務專委會委員等。主要從事智能信息處理、物聯網技術應用等方面的教學和科研工作。主講研究生《神經網絡理論及應用》、《DSP技術》和本科生《信息論與編碼》等課程。曾獲北京市高校優秀青年教師、北京市屬高校中青年骨幹教師、北京市優秀教師，獲省部級三等獎2項、國家虛擬仿真實驗教學項目1項。

配套資源

目錄

第1章緒論

視頻講解： 15分鐘，1集

1.1人工神經網絡概述

1.2人工神經網絡發展歷程

1.2.1人工神經網絡啟蒙期(1943年—1969年)

1.2.2人工神經網絡低潮期(1969年—1982年)

1.2.3人工神經網絡復興期(1982年—2006年)

1.2.4人工神經網絡高速發展期(2006年至今)

1.3人工神經網絡特點

1.4人工神經網絡功能

1.5人工神經網絡應用

1.6本書主要內容及特點

本章習題

第2章人工神經網絡基礎

視頻講解： 16分鐘，2集

2.1生物神經網絡

2.2人工神經元

2.2.1人工神經元模型

2.2.2人工神經元的數學描述

2.2.3人工神經元的激活函數

2.3人工神經網絡分類

2.3.1基於連接方式分類

2.3.2基於連接範圍分類

2.3.3基於信息流向分類

2.3.4基於典型架構分類

2.4人工神經網絡學習

2.4.1有監督學習

2.4.2無監督學習

2.4.3強化學習

2.4.4自監督學習

2.4.5半監督學習

2.4.6遷移學習

2.4.7灌輸式學習

2.5基於MATLAB工具箱的神經網絡基本參數描述

2.5.1MATLAB工具箱的神經元模型

2.5.2MATLAB工具箱的神經網絡結構

2.6本章小結

本章習題

第3章感知器神經網絡

視頻講解： 59分鐘，9集

3.1單層感知器

3.1.1感知器模型

3.1.2感知器學習算法

3.1.3感知器功能性

3.1.4感知器局限性

3.2多層感知器引入

3.3BP神經網絡

3.3.1BP神經網絡模型

3.3.2BP學習算法

3.3.3BP算法實現

3.3.4BP算法局限性

3.3.5標準BP算法改進

3.4BP神經網絡設計基礎

3.4.1訓練樣本集準備

3.4.2初始權值設計

3.4.3網絡結構設計

3.4.4網絡訓練與測試

3.5基於MATLAB的BP神經網絡應用案例

3.5.1基於MATLAB的BP神經網絡案例——數據擬合

3.5.2基於MATLAB的BP神經網絡案例——鳶尾花分類

3.5.3基於MATLAB的BP神經網絡案例——紅酒品種分類

3.5.4基於MATLAB的BP神經網絡案例——C形數據簇分類

3.5.5基於MATLAB的BP神經網絡案例——汽油辛烷值預測

3.5.6基於MATLAB的BP神經網絡案例——月平均溫度預測

本章習題

第4章自組織競爭神經網絡

視頻講解： 34分鐘，5集

4.1競爭學習神經網絡

4.1.1相似度測量

4.1.2競爭學習原理

4.2自組織特征映射神經網絡

4.2.1網絡結構

4.2.2學習算法

4.3自組織神經網絡應用案例

4.3.1基於SOM神經網絡的汽車競品分析

4.3.2基於SOM神經網絡的葡萄幹聚類分析

4.4學習向量量化神經網絡

4.4.1向量量化

4.4.2網絡結構

4.4.3運行原理

4.4.4學習算法

4.5學習向量量化神經網絡應用案例

4.5.1基於LVQ神經網絡的紅酒品種分類

4.5.2基於LVQ神經網絡的森林火災預測

4.6對偶傳播神經網絡

4.7對偶傳播神經網絡應用案例

4.7.1基於CPN神經網絡的博士論文質量評價及Python實現

4.7.2基於CPN神經網絡的C形數據簇分類

本章習題

第5章徑向基函數神經網絡

視頻講解： 40分鐘，5集

5.1正則化RBF神經網絡

5.1.1插值問題

5.1.2徑向基函數解決插值問題

5.1.3正則化RBF神經網絡結構

5.1.4正則化RBF神經網絡學習算法

5.1.5正則化RBF神經網絡局限性

5.2廣義RBF神經網絡

5.2.1模式可分性

5.2.2廣義RBF神經網絡結構

5.2.3廣義RBF神經網絡學習算法

5.3基於MATLAB的RBF神經網絡應用案例

5.3.1基於MATLAB的RBF神經網絡案例——數據擬合

5.3.2基於MATLAB的RBF神經網絡案例——小麥種子分類

5.3.3基於MATLAB的RBF神經網絡案例——人口數量預測

5.3.4基於MATLAB的RBF神經網絡案例——地下水位預測

本章習題

第6章支持向量機

視頻講解： 20分鐘，2集

6.1線性可分支持向量機

6.1.1最優超平面

6.1.2線性可分最優超平面

6.2線性支持向量機

6.3非線性支持向量機

6.3.1基於內積核的最優超平面

6.3.2非線性支持向量機神經網絡

6.4支持向量機應用案例

6.4.1最優分類超平面的數學求解

6.4.2支持向量機的多分類問題

本章習題

第7章卷積神經網絡

視頻講解： 67分鐘，6集

7.1CNN概述

7.1.1傳統神經網絡

7.1.2傳統神經網絡與CNN對比

7.1.3CNN的基本架構

7.2卷積功能層

7.2.1卷積功能層中的基本概念

7.2.2卷積操作與傳統神經元操作的類比

7.2.3感受野

7.2.4權值共享

7.2.5其他典型卷積操作

7.3池化層與全連接層

7.3.1池化層

7.3.2全連接層

7.3.3各功能層在案例中的解析

7.4CNN在目標檢測中的應用

7.4.1目標檢測發展背景

7.4.2目標檢測的評價指標

7.4.3基於CNN的目標檢測模型

7.5CNN退化問題

7.5.1CNN退化問題描述

7.5.2殘差神經網絡

7.6CNN模型的過擬合與欠擬合問題

7.6.1網絡超參數設計

7.6.2網絡性能評價

7.6.3過擬合與欠擬合

7.6.4Dropout

7.7CNN的典型應用案例

7.7.1貓狗圖像識別

7.7.2基於MobileNetV3的肺炎識別

本章習題

第8章循環神經網絡

視頻講解： 49分鐘，5集

8.1初識循環神經網絡

8.1.1循環神經網絡的應用對象

8.1.2循環神經網絡的模型優勢

8.1.3循環神經網絡的計算圖

8.2循環神經網絡的結構類型

8.2.1循環神經網絡設計模式

8.2.2雙向循環神經網絡

8.2.3深度循環神經網絡

8.3長短時記憶網絡

8.3.1標準長短時記憶網絡

8.3.2門控循環單元

8.4LSTM回歸應用案例

8.4.1單變量時間序列預測問題

8.4.2多變量時間序列預測問題

8.5LSTM分類應用案例

8.5.1圖像識別問題

8.5.2文本分類問題

本章習題

第9章人工神經網絡設計開發平臺

9.1MATLAB與Simulink基礎

9.1.1MATLAB運行環境

9.1.2Simulink仿真環境

9.1.3MATLAB設計基礎

9.2MATLAB神經網絡工具箱函數介紹

9.2.1感知器神經網絡

9.2.2線性神經網絡

9.2.3BP神經網絡

9.2.4自組織競爭神經網絡

9.2.5學習向量量化神經網絡

9.2.6徑向基神經網絡

本章習題

參考文獻