ISBN：10位［7504643955］ 13位［9787504643957］
出版社：中國科學技術出版社
出版日期：2006-6
定價：￥12.00 元
編輯推薦
人工神經網路(Artificial Neural Networks，ANN)是一個高複雜度的非線性系統，雖然從形式上模擬了人腦的學習結構，但由於所依賴的生物學理論基礎尚不完善，因此人工神經網路不僅功能上遠遠沒有達到預期的接近於人腦學習能力的目標，而且對於現有神經網路模型的工作機理也不明確，使神經網路模型的研究和性能的改進也就變得越來越困難，套用領域也受到一定的影響。
我們的研究以構建更有效的人工神經網路模型為目的，以神經網路的工作機理分析為基本出發點，採用非參數化的決策樹(Decision Tree)與傳統人工神經網路結合的方法，研究神經網路的結構設計方法，並進一步探討了人工神經網路的增量學習算法。
目錄
摘要
ABSTRACT
第一章 概述
第一節 神經網路的產生與發展
一、神經網路的產生
二、神經網路的發展歷史
第二節 神經網路研究內容
一、神經網路的研究內容
二、神經網路目前的研究熱點和未來發展
第三節 本項研究的目的、意義和主要內容
一、本項研究的目的和意義
二、本項研究的主要內容
第四節 本書的組織安排
第二章 前饋神經網路的工作機理分析
第一節 引言
第二節 高維空間幾何理論基礎
一、基本概念
二、常用定理
第三節 神經網路的幾何解釋
一、神經元的幾何意義
二、神經網路的高維空間幾何意義
第四節 分類決策樹與前饋網路的等價性
一、決策樹
二、決策樹的插值表示
三、前饋網路與決策樹的等價性
第五節 分類前饋網路的決策樹分析
一、前饋網路物理意義的決策樹分析
二、神經網路學習和工作過程中常見問題的分析
第六節 小結
第三章 神經網路結構設計的資訊理論方法
第一節 神經網路結構設計
一、探索法
二、動態修改網路法
三、與符號系統相結合的結構設計方法
第二節 神經網路結構中的信息最大化
一、信息與熵
二、條件熵與互信息
三、神經網路中的信息理論
四、基於信息最大化的網路修剪
第三節 離散數據屬性分類問題的神經網路結構設計
一、前饋網路與決策樹
二、熵網路
三、基於決策樹的神經網路構造方法DTBNN
四、實驗分析與結論
第四節 基於熵準則的神經網路構造方法
一、簡介
二、神經元選擇的“熵”準則
三、基於熵準則的神經網路構造過程
四、多類問題的擴展
五、EBNN算法的主要性質
六、實驗及結果分析
第五節 小結
第四章 基於集成系統的前饋網路增量學習
第一節 增量學習算法簡介
一、增量學習的定義
二、神經網路增量學習
第二節 基於集成的增量學習
一、神經網路集成
二、AdaBoost的漸進學習能力
三、LEARN++增量學習算法
四、EBILNNt曾量學習
第三節 實驗分析
一、人工實驗數據的增量學習結果分析
二、Glass分類數據的增量學習性能
第四節 小結
第五章 研究工作總結與展望
第一節 研究工作的總結
一、前饋網路的工作機理分析
二、神經網路結構設計的資訊理論方法
三、基於集成系統的神經網路增量學習
第二節 神經網路技術的前景和進一步的研究工作
參考文獻
