人工神经网络：模型、算法及应用9787121435164

何春梅，湘潭大学计算机学院（网络空间安全学院）副教授，自硕士期间开始，研究方向一直是神经网络理论及应用。是中国计算机学会会员，中国人工智能学会会员，中国计算机学会人工智能专委会委员，中国人工智能学会模式识别专委会委员、中国人工智能学会知识工程与分布式智能专委会青年委员，湖南省人工智能学会理事，湘潭市首批高层次人才称号，近年承担国家自然科学基金项目7项（主持1项，参与6项），主持省级项目3项，主持厅级项目4项，第一作者发表SCI/EI检索期刊论文16篇，目前为IEEE Trans.On Fuzzy systems, Journal of Intelligent and Fuzzy Systems, International Journal of Machine Learning and Cybernetics, Frontiers of Computer Science等国际期刊审稿人。

第1章 绪论 1

1．1　什么是人工神经网络 1

1．2　发展历史 2

1．3　人脑 4

1．4　Hebb法则 7

1．5　神经元模型 7

1．6　神经网络的拓扑结构 9

1．7　知识表示 11

1．8　神经网络的学习算法 15

1．9　神经网络的学习任务 17

1．10　小结 20

参考文献 21

第2章 感知机 22

2．1　引言 22

2．2　实例引入 22

2．3　Rosenblatt感知机 23

2．3．1 感知机的结构 23

2．3．2 单层感知机与多层感知机 23

2．3．3 感知机的学习 27

2．4　最小均方误差 27

2．4．1 线性回归问题引入 27

2．4．2 最小均方算法 28

2．5　实战Iris模式分类 30

2．6　小结 31

参考文献 32

习题 32

第3章 多层前馈神经网络 33

3．1　引言 33

3．2　多层前馈神经网络模型结构 33

3．3　BP神经网络 35

3．3．1 BP神经网络的介绍 35

3．3．2 BP算法 35

3．3．3 编程实战 38

3．4　RBF神经网络 41

3．4．1 什么是RBF神经网络 41

3．4．2 RBF神经网络的学习过程 42

3．4．3 RBF神经网络与BP神经网络的区别 42

3．5　泛化能力 43

3．5．1 什么是泛化 43

3．5．2 如何提高泛化能力 44

3．6　函数逼近 46

3．6．1 通用逼近定理 46

3．6．2 逼近误差的边界 46

3．6．3 维数灾难 47

3．7　BP算法的优点和缺点 48

3．7．1 BP算法的优点 48

3．7．2 BP算法的缺点 49

3．8　人脸识别应用 50

3．8．1 人脸图像的小波变换 52

3．8．2 BP神经网络的分类识别 53

3．8．3 RBF神经网络的分类识别 53

3．8．4 实验结果 54

3．9　小结 55

参考文献 55

习题 56

第4章 正则化理论 57

4．1　引言 57

4．2　良态问题的Hadamard条件 58

4．3　正则化理论 58

4．4　正则化网络 66

4．5　广义RBF神经网络 66

4．6　正则化最小二乘估计 69

4．7　半监督学习 71

4．8　正则化参数估计 71

4．9　流形正则化 75

4．10　广义正则化理论 76

4．11　用半监督学习对模式分类的

实验 77

4．12　小结 79

参考文献 80

习题 81

第5章 极限学习机模型及应用 84

5．1　引言 84

5．2　预备知识 84

5．2．1 核方法 84

5．2．2 支持向量机 86

5．3　极限学习机模型 91

5．4　核极限学习机 94

5．5　正则极限学习机 95

5．6　基于正则极限学习机的图像复原 97

5．7　基于正规方程式的核极限学习机 99

5．7．1 模型结构与算法 99

5．7．2 基于NE-KELM的模式识别实验 101

5．8　基于共轭梯度的核极限学习机 103

5．8．1 共轭梯度法 104

5．8．2 模型结构与算法 104

5．8．3 基于CG-KELM的图像复原实验 105

5．9　流形正则化核极限学习机 107

5．9．1 流形正则化核极限学习机的模型结构与算法 107

5．9．2 基于MR-KELM的糖尿病检测实验 107

5．10　基于核极限学习机的医疗诊断系统 108

5．10．1 PL-KELM的流程 108

5．10．2 基于PL-KELM的模式识别实验 110

5．10．3 肿瘤细胞识别系统 111

5．11　小结 112

参考文献 113

习题 114

第6章 形态神经网络 115

6．1　引言 115

6．2　形态学算法基础 115

6．2．1 数学形态学的定义 115

6．2．2 数学形态滤波 116

6．3　形态神经网络模型 117

6．4　形态联想记忆神经网络模型及其摄动鲁棒性 118

6．4．1 MAM神经网络的数学基础与相关定义 118

6．4．2 两种MAM神经网络的摄动鲁棒性 119

6．5　进化形态神经网络 123

6．5．1 进化形态神经网络的学习算法 124

6．5．2 基于进化形态神经网络的图像复原 125

6．6　小结 127

参考文献 127

习题 129

第7章 自组织映射 130

7．1　引言 130

7．2　两个基本的特征映射模型 131

7．3　SOM概述 132

7．4　特征映射的性质 137

7．5　核SOM概述 142

7．6　小结 148

参考文献 149

习题 149

第8章 卷积神经网络模型及应用 151

8．1　引言 151

8．2　卷积神经网络模型 152

8．2．1 卷积神经网络的基本结构和原理 152

8．2．2 LeNet-5 159

8．2．3 AlexNet 160

8．2．4 VGGNet 167

8．2．5 Inception 170

8．2．6 ResNet 179

8．2．7 Inception-ResNet 188

8．3　基于卷积神经网络的白细胞分类 190

8．3．1 白细胞图像去噪 191

8．3．2 基于k-Means颜色聚类算法的显微白细胞图像分割 194

8．3．3 基于改进卷积神经网络的显微

白细胞图像识