英文名: Neural Networks:A Comprehensive Foundation,2nd Edition
作者: Simon Haykin
译者: 叶世伟等
ISBN: 9787111127598
页数: 633
定价: 69.0
出版社: 机械工业出版社
装帧: 平装
出版年: 2004-1-1
作者:SimonHaykin
译者:叶世伟史忠植
出版社:机械工业出版社
出版年:2004-01-01
页数:656
定价:69.00
装帧:平装(无盘)
丛书:计算机科学丛书
ISBN:9787111127598
神经网络是计算智能和机器学习研究、开发和应用最活跃的分支之一。本书是神经网络方面的标准教材,从理论和实际应用出发,全面、系统地介绍神经网络的基本模型、基本方法和基本技术,对神经网络的基本模型和主要学习理论都作了深入研究,特别在学习理论和学习算法的推导方面有极为详尽而系统地分析,对神经网络的最新发展趋势和主要研究方向都进行了全面而综合的介绍。理论和实际应用紧密结合,为神经网络的具体应用打下坚实的基础,是一本可读性极强的教材。
书中注重对数学分析方法和性能优化的讨论,强调神经网络在模式识别、信号处理以及控制系统等实际工程问题中的应用。同时本书包含大量例题、习题,并配有13个基于matlab软件包的计算机试验的源程序。
本书适合作为相关专业研究生或本科高年级学生的教材,或作为希望系统、深入学习神经网络的科技工作者的参考书。
神经网络是计算智能和机器学习研究的最活跃的分支之一。本书全面系统地介绍神经网络的基本概念、系统理论和实际应用。
本书包含四个组成部分:导论,监督学习,无监督学习,神经网络动力学模型。导论部分介绍神经元模型、神经网络结构和机器学习的基本概念和理论。监督学习讨论感知机学习规则,有监督的hebb学习,widrow-hoff学习算法,反向传播算法及其变形,rbf网络,正则化网络,支持向量机以及委员会机器。无监督学习包括主分量分析,自组织特征映射模型的竞争学习形式,无监督学习的信息理论,植根于统计力学的随机学习机器,最后是与动态规划相关的增强式学习。神经网络动力学模型研究由短期记忆和分层前馈网络构成的动态系统,反馈非线性动态系统的稳定性和联想记忆,以及另一类非线性动态驱动的递归网络系统。
本书注重对数学分析方法和性能优化的讨论,强调神经网络在模式识别、信号处理和控制系统等实际工程问题中的应用。书中包含大量例题和习题,并配有13个基于matlab软件的计算机实验程序。
本书适于作研究生或大学高年级学生的教材,也可作希望深入学习神经网络的科技人员的参考书。
作者介绍
作者:SimonHaykin
SimonHaykin是国际电子电气工程界的著名学者,加拿大皇家学会院士,IEEE会士,于1953年获得英国伯明翰大学博士学位,现任加拿大麦克马斯特大学教授,在该校创办了通信研究实验室并长期担任主任。他曾经获得IEEEMcNaughton奖章,在神经网络、通信、自适应滤波器等领域成果颇丰,着有多种标准教材。.....
目录
第1章导言
第2章学习过程
第3章单层感知器
第4章多层感知器
第5章径向基函数网络
第6章支持向量机
第7章委员会机器
第8章主分量分析
第9章自组织映射
第10章信息论模型
第11章植根于统计力学的随机机器和它们的逼近
第12章神经动态规划
第14章神经动力学
第15章动态驱动的递归网络
后记
参考文献
索引
1、本网站为开放性注册平台,以上所有展示信息均由会员自行提供,内容的真实性、准确性和合法性均由发布会员负责,本网站对此不承担任何法律责任。
2、网站信息如涉嫌违反相关法律规定或侵权,请发邮件至599385753@qq.com删除。