书籍详情
神经网络与深度学习：基于MATLAB的仿真与实现
作者：姚舜才，李大威 编
出版社：清华大学出版社
出版时间：2022-05-01
ISBN：9787302591085
定价：¥89.00
购买这本书可以去
内容简介
本书系统论述了神经网络及深度学习的基本原理、算法设计及应用实例。全书分三部分，共14章，分别介绍了神经网络的基本概念、神经网络的基本结构、深度学习的基本原理、神经网络的训练方法，以及神经网络与深度学习的计算机仿真技术。此外，本书还介绍了MATLAB中的人工智能工具箱在神经网络与深度学习中的应用，给出了丰富的实例，并配套提供了完整的程序代码，便于读者动手实践。本书可作为高等院校人工智能、计算机、电子信息等专业的本科生、研究生及从事人工智能学习及研究的专业人员的参考书。
作者简介
姚舜才，中北大学副教授，硕士生导师，美国密歇根科技大学访问学者。目前主要研究神经网络及深度学习在系统数据建模中的应用。多次获得山西省中青年教师教学基本功竞赛奖励，并被评为山西省普通高校师德师风建设先进个人；多次获得山西省高等学校科技进步奖；发表50余篇学术及教学论文，其中E|收录10篇；作为负责人及主要完成人承担多项国家和山西省自然科学基金以及国际合作基金项目；出版教材3部，申请专利3项。
目录
第一部分 神经网络基础及MATLAB
绪论
第1章 神经网络概述
第2章 MATLAB基本知识及神经网络工具箱简介
2.1 MATLAB基本知识
2.2 MATLAB神经网络工具箱
2.2.1 基于代码的MATLAB神经网络工具箱的应用
2.2.2 基于图形界面的MATLAB神经网络工具箱的应用
2.2.3 MATLAB/Simulink中神经网络相关模块的应用
2.2.4 MATLAB菜单栏中神经网络相关模块的应用
第二部分 经典神经网络
第3章 感知机
3.1 感知机的基本结构与算法基础
3.1.1 单层感知机的基本结构
3.1.2 多层感知机的基本结构与算法基础
3.2 感知机的MATLAB实现
3.2.1 单层感知机的MATLAB仿真实现
3.2.2 多层感知机的MATLAB仿真实现
第4章 线性神经网络
4.1 线性神经网络的基本结构与算法基础
4.1.1 线性神经网络基本结构及学习算法
4.1.2 最小均方差算法中关于学习率η的讨论
4.1.3 线性神经网络的训练
4.2 线性神经网络的MATLAB实现
4.2.1 线性神经网络在分类问题中的应用
4.2.2 线性神经网络在拟合（回归）问题中的应用
4.2.3 线性神经网络在信号处理中的应用
4.3 关于线性神经网络的几点讨论
第5章 BP神经网络
5.1 BP神经网络的基本结构与算法基础
5.1.1 BP神经网络基本结构及学习算法
5.1.2 BP神经网络的构建
5.1.3 BP神经网络算法问题的改进讨论
5.2 BP神经网络的MATLAB实现
5.2.1 BP神经网络在分类问题中的应用
5.2.2 BP神经网络在拟合（回归）问题中的应用
5.2.3 BP神经网络在信号处理中的应用
5.3 关于BP神经网络的几点讨论
第6章 径向基神经网络
6.1 径向基神经网络的基本结构与算法基础
6.1.1 径向基神经网络基本结构及学习算法
6.1.2 径向基神经网络在拟合问题中的应用分析
6.1.3 径向基神经网络在分类问题中的应用分析
6.2 径向基神经网络的MATLAB实现
6.2.1 径向基神经网络在拟合（回归）问题中的应用
6.2.2 径向基神经网络在分类问题中的应用
6.2.3 径向基神经网络在数据预测中的应用
6.3 关于径向基神经网络的几点讨论
第7章 Hopfield神经网络
7.1 Hopfield神经网络的基本结构与算法基础
7.1.1 离散型Hopfield神经网络
7.1.2 连续型Hopfield神经网络
7.1.3 Hopfield神经网络的几个问题
7.2 Hopfield神经网络的MATLAB实现
7.3 关于Hopfield神经网络的几点讨论
第8章 SOM神经网络
8.1 SOM神经网络的基本结构与算法基础
8.1.1 SOM神经网络的运行原理
8.1.2 SOM神经网络基本结构及学习算法
8.1.3 SOM神经网络的训练
8.1.4 SOM神经网络的设计
8.2 SOM神经网络的MATLAB实现
8.2.1 二维SOM神经网络识别分类
8.2.2 SOM神经网络在故障诊断中的应用
8.2.3 SOM神经网络的工具箱实现
8.3 关于SOM神经网络的几点讨论
第9章 概率神经网络
9.1 概率神经网络的基本结构与算法基础
9.1.1 概率神经网络的理论基础
9.1.2 概率神经网络的结构模型
9.1.3 概率神经网络的训练
9.1.4 概率神经网络模式分类学习算法
9.2 概率神经网络的MATLAB实现
9.2.1 基于PNN的鸢尾花分类
9.2.2 变压器故障诊断
9.2.3 概率神经网络的工具箱实现
9.2.4 PNN中参数spread对分类的影响
第三部分 深度学习神经网络
第10章 深度信念网络
10.1 玻耳兹曼机基本结构及学习
10.1.1 玻耳兹曼机的基本结构
10.1.2 玻耳兹曼机的训练方法
10.2 深度信念网络的基本结构
10.3 深度信念网络的MATLAB实现
10.3.1 数据集
10.3.2 DeeBNet工具箱实现
10.3.3 MATLAB 2019深度学习工具箱的实现案例
第1l章 自编码器
11.1 自编码器的基本结构与算法基础
11.1.1 自编码器的基本结构
11.1.2 自编码器的学习算法
11.2 自编码器的MATLAB实现
11.2.1 堆栈自编码器的实现案例1
11.2.2 降噪堆栈自编码的实现
11.2.3 堆栈自编码器的实现案例2
第12章 卷积神经网络
12.1 卷积神经网络的基本结构与算法基础
12.1.1 卷积神经网络的特点
12.1.2 卷积神经网络的训练
12.1.3 常见的卷积神经网络结构
12.2 卷积神经网络的实现
12.2.1 卷积神经网络的实现1
12.2.2 卷积神经网络的实现2
12.2.3 MATLAB 2019b深度学习工具箱
12.2.4 MATLAB 2019b深层网络设计器的实现
第13章 生成对抗网络（GAN）
13.1 GAN的起源与发展
13.1.1 GAN的起源
绪论
第1章 神经网络概述
第2章 MATLAB基本知识及神经网络工具箱简介
2.1 MATLAB基本知识
2.2 MATLAB神经网络工具箱
2.2.1 基于代码的MATLAB神经网络工具箱的应用
2.2.2 基于图形界面的MATLAB神经网络工具箱的应用
2.2.3 MATLAB/Simulink中神经网络相关模块的应用
2.2.4 MATLAB菜单栏中神经网络相关模块的应用
第二部分 经典神经网络
第3章 感知机
3.1 感知机的基本结构与算法基础
3.1.1 单层感知机的基本结构
3.1.2 多层感知机的基本结构与算法基础
3.2 感知机的MATLAB实现
3.2.1 单层感知机的MATLAB仿真实现
3.2.2 多层感知机的MATLAB仿真实现
第4章 线性神经网络
4.1 线性神经网络的基本结构与算法基础
4.1.1 线性神经网络基本结构及学习算法
4.1.2 最小均方差算法中关于学习率η的讨论
4.1.3 线性神经网络的训练
4.2 线性神经网络的MATLAB实现
4.2.1 线性神经网络在分类问题中的应用
4.2.2 线性神经网络在拟合（回归）问题中的应用
4.2.3 线性神经网络在信号处理中的应用
4.3 关于线性神经网络的几点讨论
第5章 BP神经网络
5.1 BP神经网络的基本结构与算法基础
5.1.1 BP神经网络基本结构及学习算法
5.1.2 BP神经网络的构建
5.1.3 BP神经网络算法问题的改进讨论
5.2 BP神经网络的MATLAB实现
5.2.1 BP神经网络在分类问题中的应用
5.2.2 BP神经网络在拟合（回归）问题中的应用
5.2.3 BP神经网络在信号处理中的应用
5.3 关于BP神经网络的几点讨论
第6章 径向基神经网络
6.1 径向基神经网络的基本结构与算法基础
6.1.1 径向基神经网络基本结构及学习算法
6.1.2 径向基神经网络在拟合问题中的应用分析
6.1.3 径向基神经网络在分类问题中的应用分析
6.2 径向基神经网络的MATLAB实现
6.2.1 径向基神经网络在拟合（回归）问题中的应用
6.2.2 径向基神经网络在分类问题中的应用
6.2.3 径向基神经网络在数据预测中的应用
6.3 关于径向基神经网络的几点讨论
第7章 Hopfield神经网络
7.1 Hopfield神经网络的基本结构与算法基础
7.1.1 离散型Hopfield神经网络
7.1.2 连续型Hopfield神经网络
7.1.3 Hopfield神经网络的几个问题
7.2 Hopfield神经网络的MATLAB实现
7.3 关于Hopfield神经网络的几点讨论
第8章 SOM神经网络
8.1 SOM神经网络的基本结构与算法基础
8.1.1 SOM神经网络的运行原理
8.1.2 SOM神经网络基本结构及学习算法
8.1.3 SOM神经网络的训练
8.1.4 SOM神经网络的设计
8.2 SOM神经网络的MATLAB实现
8.2.1 二维SOM神经网络识别分类
8.2.2 SOM神经网络在故障诊断中的应用
8.2.3 SOM神经网络的工具箱实现
8.3 关于SOM神经网络的几点讨论
第9章 概率神经网络
9.1 概率神经网络的基本结构与算法基础
9.1.1 概率神经网络的理论基础
9.1.2 概率神经网络的结构模型
9.1.3 概率神经网络的训练
9.1.4 概率神经网络模式分类学习算法
9.2 概率神经网络的MATLAB实现
9.2.1 基于PNN的鸢尾花分类
9.2.2 变压器故障诊断
9.2.3 概率神经网络的工具箱实现
9.2.4 PNN中参数spread对分类的影响
第三部分 深度学习神经网络
第10章 深度信念网络
10.1 玻耳兹曼机基本结构及学习
10.1.1 玻耳兹曼机的基本结构
10.1.2 玻耳兹曼机的训练方法
10.2 深度信念网络的基本结构
10.3 深度信念网络的MATLAB实现
10.3.1 数据集
10.3.2 DeeBNet工具箱实现
10.3.3 MATLAB 2019深度学习工具箱的实现案例
第1l章 自编码器
11.1 自编码器的基本结构与算法基础
11.1.1 自编码器的基本结构
11.1.2 自编码器的学习算法
11.2 自编码器的MATLAB实现
11.2.1 堆栈自编码器的实现案例1
11.2.2 降噪堆栈自编码的实现
11.2.3 堆栈自编码器的实现案例2
第12章 卷积神经网络
12.1 卷积神经网络的基本结构与算法基础
12.1.1 卷积神经网络的特点
12.1.2 卷积神经网络的训练
12.1.3 常见的卷积神经网络结构
12.2 卷积神经网络的实现
12.2.1 卷积神经网络的实现1
12.2.2 卷积神经网络的实现2
12.2.3 MATLAB 2019b深度学习工具箱
12.2.4 MATLAB 2019b深层网络设计器的实现
第13章 生成对抗网络（GAN）
13.1 GAN的起源与发展
13.1.1 GAN的起源
猜您喜欢
