神經(jīng)網(wǎng)絡設計方法與實例分析

第1章 神經(jīng)網(wǎng)絡模型評估及選擇
1.1 神經(jīng)網(wǎng)絡的泛化能力
1.2 神經(jīng)網(wǎng)絡預測模型的一般描述
1.3 研究神經(jīng)網(wǎng)絡泛化能力的理論基礎
1.3.1 經(jīng)驗風險最小化原則
1.3.2 結(jié)構(gòu)風險最小化原則
1.3.3 偏差一方差分解
1.4 影響神經(jīng)網(wǎng)絡的泛化能力的具體因素
1.4.1 神經(jīng)網(wǎng)絡具有泛化能力的基本必要條件
1.4.2 噪聲的影響
1.4.3 “欠擬合”和“過擬合”
1.5 提高神經(jīng)網(wǎng)絡的泛化能力的方法
1.5.1 模型結(jié)構(gòu)選擇
1.5.2 訓練集擴展方法
1.5.3 提前停止
1.5.4 權(quán)值衰減
1.5.5 貝葉斯學習
1.5.6 神經(jīng)網(wǎng)絡集成
1.6 神經(jīng)網(wǎng)絡模型的評估與選擇
1.6.1 神經(jīng)網(wǎng)絡模型的評估
1.6.2 神經(jīng)網(wǎng)絡模型的選擇
本章參考文獻
第2章 基于BP算法的多層感知器的設計與應用
2.1 基于BP算法的多層感知器網(wǎng)絡工作原理與主要特點
2.1.1 基于BP算法的多層前饋網(wǎng)絡模型
2.1.2 BP學習算法
2.1.3 BP算法的程序?qū)崿F(xiàn)
2.1.4 標準BP算法的改進
2.2 基于BP算法的多層前饋網(wǎng)絡設計基礎
2.2.1 網(wǎng)絡信息容量與訓練樣本數(shù)
2.2.2 訓練樣本集的準備
2.2.3 初始權(quán)值的設計
2.2.4 多層前饋網(wǎng)結(jié)構(gòu)設計
2.2.5 網(wǎng)絡訓練與測試
2.3 基于BP算法的多層前饋網(wǎng)絡應用與設計實例
2.3.1 基于BP算法的多層前饋網(wǎng)絡在催化劑配方建模中的應用
2.3.2 基于BP算法的多層前饋網(wǎng)絡在城市年用水量預測中的應用
2.3.3 基于BP算法的多層前饋網(wǎng)絡在煤與瓦斯突出預測中的應用
2.3.4 基于BP算法的多層前饋網(wǎng)絡在磨煤機料位監(jiān)測中的應用
2.3.5 基于BP算法的多層前饋網(wǎng)絡在道路安全評價中的應用
2.3.6 基于BP算法的多層前饋網(wǎng)絡在項目投資風險評價中的應用
2.3.7 基于BP算法的多層前饋網(wǎng)絡在大氣環(huán)境質(zhì)量評價中的應用
2.3.8 基于BP網(wǎng)絡集成的除草劑定量構(gòu)效關(guān)系模型
2.3.9 基于BP網(wǎng)絡集成的物流中心選址模型
本章參考文獻
第3章 徑向基函數(shù)神經(jīng)網(wǎng)絡的設計與應用
3.1 徑向基函數(shù)網(wǎng)絡原理與學習算法
3.1.1 正則化RBF網(wǎng)絡原理與學習算法
3.1.2 廣義RBF網(wǎng)絡原理與學習算法
3.2 RBF網(wǎng)絡的設計要點
3.2.1 隨機選取RBF中心
3.2.2 自組織學習選取RBF中心及網(wǎng)絡設計
3.2.3 有監(jiān)督學習選取RBF中心及網(wǎng)絡設計
3.2.4 正交最小二乘（0LS）法選取RBF中心及網(wǎng)絡設計
3.2.5 遞歸最小二乘（OLS）法選取RBF中心及網(wǎng)絡設計
3.2.6 其他方法
3.2.7 RBF網(wǎng)絡與多層感知器的特點與設計比較
3.3 RBF網(wǎng)絡的應用實例
3.3.1 RBF網(wǎng)絡在液化氣銷售量預測中的應用
3.3.2 RBF網(wǎng)絡在地表水質(zhì)評價中的應用
3.3.3 RBF網(wǎng)絡在汽油干點軟測量中的應用
3.3.4 RBF網(wǎng)絡在地下溫度預測中的應用
3.3.5 RBF網(wǎng)絡在工程車輛自動變速控制中的應用
3.3.6 RBF網(wǎng)絡在人臉年齡估計中的應用
3.3.7 RBF網(wǎng)絡在專利發(fā)展趨勢預測中的應用
3.3.8 RBF網(wǎng)絡在圖像融合中的應用
3.3.9 RBF網(wǎng)絡紅外光譜法用于中藥大黃樣品的真?zhèn)畏诸?br />3.3.10 RBF網(wǎng)絡在船用柴油機智能診斷中的應用
3.3.11 RBF網(wǎng)絡在多級入侵檢測中的應用
本章參考文獻
第4章 SOFM網(wǎng)絡設計與應用
4.1 SOFM網(wǎng)絡原理與學習算法
4.2 SOFM網(wǎng)絡的設計基礎
4.2.1 輸出層設計
4.2.2 權(quán)值初始化問題
4.2.3 優(yōu)勝鄰域Nj*·（t）的設計
4.2.4 學習率n（t）的設計
4.3 應用與設計實例
4.3.1 SOFM網(wǎng)絡用于皮革外觀效果分類
4.3.2 SOFM網(wǎng)絡用于物流中心城市分類評價
4.3.3 SOFM網(wǎng)絡用于遙感影像分類
4.3.4 SOFM網(wǎng)絡用于火焰燃燒診斷
4.3.5 SOFM網(wǎng)絡在防火樹種分類中的應用
4.3.6 SOFM在基于漢字與部件聚類的漢字認知建模中的應用
4.3.7 SOFM網(wǎng)絡在膨脹土分類中的應用
4.3.8 SOFM網(wǎng)絡在水電廠技術(shù)供水系統(tǒng)故障診斷中的應用
4.3.9 SOFM網(wǎng)絡在不同地區(qū)人力資本構(gòu)成分析中的應用
本章參考文獻
第5章 LVQ網(wǎng)絡設計與應用
5.1 LVQ網(wǎng)絡原理與學習算法
5.1.1 LVQ網(wǎng)絡工作原理
5.1.2 LVQ網(wǎng)絡的學習算法
5.2 LVQ網(wǎng)絡設計要點
5.2.1 競爭層設計
5.2.2 權(quán)值初始化問題
5.2.3 學習率n（t）的設計
5.3 應用與設計實例
5.3.1 LVQ網(wǎng)絡在證券投資基金分類中的應用
5.3.2 LVQ網(wǎng)絡在探地雷達探雷中的應用
5.3.3 LVQ網(wǎng)絡在蘋果等級判別中的應用
5.3.4 VQ網(wǎng)絡在胃癌組織樣品分類識別中的應用
5.3.5 LVQ網(wǎng)絡在液壓系統(tǒng)故障診斷中的應用
5.3.6 LVQ網(wǎng)絡在汽車信貸客戶分類中的應用研究
5.3.7 LVQ網(wǎng)絡在土地利用／覆蓋變化探測中的應用
5.3.8 LVQ網(wǎng)絡在周期信號識別方面的擴展應用
本章參考文獻
第6章 對偶傳播神經(jīng)網(wǎng)絡
6.1 網(wǎng)絡運行原理及學習算法
6.1.1 網(wǎng)絡結(jié)構(gòu)及運行原理
6.1.2 CPN的學習算法
6.2 CPN網(wǎng)的設計與改進
6.2.1 CPN網(wǎng)的設計要點
6.2.2 改進的CPN網(wǎng)
6.3 CPN網(wǎng)的應用
6.3.1 CPN網(wǎng)在烤煙煙葉顏色模式分類中的應用
6.3.2 CPN網(wǎng)絡的水電機組振動故障診斷中的應用
6.3.3 CPN網(wǎng)絡在博士學位論文質(zhì)量評估中的應用
6.3.4 CPN網(wǎng)在人臉識別中的應用
6.3.5 CPN網(wǎng)絡在時間序列預測問題中的應用
6.3.6 CPN網(wǎng)絡在棉花異性纖維識別中的應用
本章參考文獻
第7章 ART網(wǎng)絡設計及應用
7.1 ART網(wǎng)絡原理與算法
7.1.1 ART網(wǎng)絡的主要特點
7.1.2 ARTI型網(wǎng)絡原理與算法
……
第8章 Hopfield網(wǎng)絡的設計與應用
第9章 時序遞歸網(wǎng)絡的設計與應用
第10章 CMAC網(wǎng)絡的設計與應用
第11章 支持向量機的設計與應用
第12章 人工神經(jīng)元網(wǎng)絡設計開發(fā)平臺