人工神经网络：模型、算法及应用

图书标准信息

• 作者 何春梅
• 出版社 电子工业出版社
• 出版时间 2022-09
• 版次 1
• ISBN 9787121435164
• 定价 69.00元
• 装帧 其他
• 页数 328页

【内容简介】

本书较全面地阐述了人工神经网络的理论知识，介绍了多种经典的人工神经网络模型结构、学习算法和实际应用。本书共11章，第1章介绍人工神经网络的定义、发展、生理学机理、神经元模型、拓扑结构、学习算法等；第2章介绍感知机的基本原理、学习算法及应用；第3章介绍多层前馈神经网络的基本原理、学习算法及应用；第4章介绍不同正则化理论、相应神经网络及应用；第5章介绍不同极限学习机模型、支持向量机及应用；第6章介绍形态神经网络的模型结构、学习算法、鲁棒性分析及应用；第7章介绍自组织映射和核自组织映射的基本原理及应用；第8章介绍典型卷积神经网络的模型结构和基本原理，阐述卷积神经网络的变体及应用；第9章介绍基本的生成对抗网络、自注意生成对抗网络、进化生成对抗网络、迁移学习和对抗领域自适应等网络模型，阐述生成对抗网络的学习算法、训练技巧及应用；第10章介绍长短时记忆网络和递归神经网络的模型、学习算法及应用；第11章介绍模糊神经网络，包括模糊集合和模糊逻辑的基本概念和运算，模糊神经网络的模型结构、性能分析、学习算法及应用。本书可作为计算机科学与技术、软件工程、人工智能、智能科学与技术、生物医学工程等专业本科生和研究生的教材或参考书，也可供相关领域关注人工神经网络理论及应用的工程技术人员和科研人员学习参考。

【作者简介】

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。

【目录】

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-5159

8.2.3  AlexNet160

8.2.4  VGGNet167

8.2.5  Inception170

8.2.6  ResNet179

8.2.7  Inception-ResNet188

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

白细胞图像识别195

8.4　结合卷积神经网络和极限学习机的人脸识别200

8.4.1  卷积神经网络参数训练201

8.4.2  正则极限学习机进行图像分类202

8.4.3  基于CNN-RELM的人脸识别模型实验与对比分析203

8.5　基于深度迁移学习的肿瘤细胞图像识别206

8.5.1  引言206

8.5.2  正则化与迁移学习207

8.5.3  基于深度迁移学习的肿瘤细胞图像识别208

8.6  小结212

参考文献212

习题213

第9章  生成对抗网络模型214

9.1　引言214

9.2　预备知识214

9.2.1  GAN基础模型215

9.2.2  GAN训练216

9.2.3  平衡状态216

9.2.4  为什么学习GAN217

9.2.5  GAN概述218

9.2.6  显式密度模型218

9.2.7  隐式密度模型218

9.2.8  GAN与其他生成算法比较218

9.3　GAN的基础理论219

9.3.1  GAN的基础——对抗训练219

9.3.2  损失函数220

9.3.3  训练过程220

9.3.4  生成器和鉴别器221

9.3.5  目标冲突222

9.3.6  混淆矩阵222

9.3.7  GAN训练算法223

9.4　训练和常见挑战223

9.4.1  评价223

9.4.2  评价框架224

9.4.3  Inception Score225

9.4.4  Frechet Inception Distance（FID）225

9.4.5  训练挑战226

9.4.6  增加网络深度226

9.4.7  各种GAN游戏设置227

9.4.8  什么时候停止训练230

9.5　训练技巧231

9.5.1  输入标准化231

9.5.2  批量标准化231

9.5.3  理解标准化231

9.5.4  计算BN232

9.5.5  梯度惩罚232

9.5.6  多训练鉴别器232

9.5.7  避免稀疏梯度233

9.5.8  使用软标签和带噪声的标签233

9.6　自注意生成对抗网络233

9.6.1  注意力233

9.6.2  自注意力235

9.6.3  核心代码236

9.7　进化生成对抗网络237

9.7.1  基本介绍237

9.7.2  动机237

9.7.3  进化算法238

9.7.4  生成的图像240

9.8　生成对抗网络和迁移学习240

9.8.1  迁移学习的概念240

9.8.2  为什么要迁移学习241

9.8.3  迁移学习的基本形式242

9.8.4  GAN和迁移学习的联系243

9.9　对抗领域自适应用于肿瘤图像诊断243

9.9.1  对抗领域自适应网络模型244

9.9.2  特征提取器245

9.9.3  数据集和实验设置246

9.9.4  结果分析与讨论246

9.9.5  探讨247

9.10　小结247

参考文献247

习题249

第10章  长短时记忆网络250

10.1　引言250

10.2　RNN250

10.2.1  RNN的结构模型250

10.2.2  RNN模型的优缺点251

10.3　LSTM的结构模型与实现252

10.4　LSTM的学习算法253

10.5　LSTM的网络方程255

10.6　LSTM的实际应用257

10.6.1  数据预处理257

10.6.2  建立模型与训练258

10.6.3  结果展示259

10.7　小结259

参考文献260

习题260

第11章  模糊神经网络261

11.1　绪论261

11.1.1  模糊集合、模糊逻辑理论及其运算261

11.1.2  模糊逻辑推理264

11.1.3  FNN概述267

11.2　训练模式对的摄动对MFNN的影响271

11.2.1  FNN中的摄动鲁棒性271

11.2.2  MFNN及其学习算法273

11.2.3  分析训练模式对的摄动对MFNN的影响275

11.3　折线FNN的泛逼近性279

11.3.1  相关记号与术语279

11.3.2  折线模糊数280

11.3.3  三层前馈折线FNN282

11.3.4  折线FNN对模糊函数的通用逼近性285

11.3.5  输入为一般模糊数的折线FNN的通用逼近性291

11.3.6  一般折线FNN的通用逼近性分析296

11.4　模糊化神经网络的学习算法301

11.4.1  折线FNN的学习算法302

11.4.2  折线FNN的模糊学习算法305

11.4.3  正则FNN的学习算法312

11.5　小结317

参考文献318

习题319