前馈神经网络及其应用

前言

符号说明

第1章 绪论

1．1 有监督学习和无监督学习

1．1．1 有监督学习

1．1．2 无监督学习

1．2 神经网络的分类

1．2．1 前馈神经网络

1．2．2 反馈神经网络

1．3 前馈神经网络的模型选择与混合策略

1．3．1 前馈神经网络的模型选择

1．3．2 前馈神经网络的混合策略

参考文献

第2章 有监督学习前馈神经网络

2．1 多层感知器神经网络

2．1．1 网络结构

2．1．2 学习算法

2．1．3 逼近理论

2．2 径向基函数神经网络

2．2．1 网络结构

2．2．2 学习算法

2．2．3 逼近理论

2．3 切比雪夫神经网络

2．3．1 网络结构

2．3．2 学习算法

2．3．3 逼近理论

2．4 支持向量机

2．4．1 网络结构

2．4．2 学习算法

5．2．1 椭球基函数神经网络

5．2．2 椭球基函数神经网络的混合学习策略

5．2．3 数值实验

5．3 基于互信息的特征加权支持向量机

5．3．1 基于互信息的特征权重估计

2．4．3 逼近理论

参考文献

第3章 无监督学习前馈神经网络

3．1 自组织映射神经网络

3．1．1 网络结构

3．1．2 学习算法

3．1．3 核自组织映射神经网络

3．2 神经气网络

3．2．1 学习算法

3．2．2 核神经气网络

3．2．3 生长型神经气网络

3．3 主成分分析及其改进方法

3．3．1 主成分分析

3．3．2 核主成分分析

3．3．3 二维主成分分析

参考文献

第4章 前馈神经网络的模型选择

4．1 基于假设检验的方法

4．1．1 Wald-检验

4．1．2 LM-检验

4．2 基于信息准则的方法

4．2．1 AIC准则和BIC准则

4．2．2 最小描述长度和交叉验证

4．3 基于敏感度分析的方法

4．3．1 基于偏导数的敏感度分析方法

4．3．2 基于随机分析的敏感度分析方法

4．4 基于互信息的方法

4．4．1 互信息及其估计

4．4．2 基于互信息的多层感知器两阶段构造方法

参考文献

第5章 单个前馈神经网络

5．1 基于正则化相关熵的径向基函数神经网络学习方法

5．1．1 正则化相关熵准则

5．1．2 数值实验

5．2 椭球基函数神经网络的混合学习方法

5．3．2 特征加权支持向量机

5．3．3 数值实验

参考文献

第6章 混合前馈神经网络

6．1高斯、Sigmoid、切比雪夫混合前馈神经网络

6．1．1 Gauss．Sigmoid神经网络

6．1．2 高斯一切比雪夫神经网络

6．1．3 数值实验

6．2 基于自适应模糊c均值的混合专家模型

6．2．1基于P：BMF．index的模糊c均值聚类算法

6．2．2 结构描述和实现方法

6．2．3 数值实验

参考文献

第7章 前馈神经网络的应用

7．1 前馈神经网络在人脸识别中的应用

7．2 前馈神经网络在非线性时间序列预测中的应用

7．3 前馈神经网络在图像分割中的应用

7．4 前馈神经网络在异常检测中的应用

参考文献

附录 部分前馈神经网络的Matlab源代码

附录1 基本模型

附录2 模型选择

附录3 改进模型

索引

《前馈神经网络及其应用》较系统地介绍了前馈神经网络的网络模型、学习算法、逼近理论，除介绍国内外其他学者的研究成果外，主要介绍作者已公开发表和尚未公开发表的系列研究工作。主要内容包括：前馈神经网络的模型选择、混合专家网络的改进模型、前馈神经网络的改进模型及前馈神经网络的应用。