前饋神經(jīng)網(wǎng)絡及其應用

前言
符號說明
第1章　緒論
1.1　有監(jiān)督學習和無監(jiān)督學習　
1.1.1　有監(jiān)督學習
1.1.2　無監(jiān)督學習　
1.2　神經(jīng)網(wǎng)絡的分類　
1.2.1　前饋神經(jīng)網(wǎng)絡　
1.2.2　反饋神經(jīng)網(wǎng)絡　
1.3　前饋神經(jīng)網(wǎng)絡的模型選擇與混合策略　
1.3.1　前饋神經(jīng)網(wǎng)絡的模型選擇　
1.3.2　前饋神經(jīng)網(wǎng)絡的混合策略　
參考文獻 第2章　有監(jiān)督學習前饋神經(jīng)網(wǎng)絡　
2.1　多層感知器神經(jīng)網(wǎng)絡
2.1.1　網(wǎng)絡結構
2.1.2　學習算法
2.1.3　逼近理論
2.2　徑向基函數(shù)神經(jīng)網(wǎng)絡
2.2.1　網(wǎng)絡結構　
2.2.2　學習算法
2.2.3　逼近理論
2.3　切比雪夫神經(jīng)網(wǎng)絡　
2.3.1　網(wǎng)絡結構
2.3.2　學習算法　
2.3.3　逼近理論
2.4　支持向量機
2.4.1　網(wǎng)絡結構　
2.4.2　學習算法
5.2.1　橢球基函數(shù)神經(jīng)網(wǎng)絡
5.2.2　橢球基函數(shù)神經(jīng)網(wǎng)絡的混合學習策略
5.2.3　數(shù)值實驗　
5.3　基于互信息的特征加權支持向量機
5.3.1　基于互信息的特征權重估計　
2.4.3　逼近理論　
參考文獻　 第3章　無監(jiān)督學習前饋神經(jīng)網(wǎng)絡
3.1　自組織映射神經(jīng)網(wǎng)絡
3.1.1　網(wǎng)絡結構
3.1.2　學習算法　
3.1.3　核自組織映射神經(jīng)網(wǎng)絡　
3.2　神經(jīng)氣網(wǎng)絡　
3.2.1　學習算法　
3.2.2　核神經(jīng)氣網(wǎng)絡　
3.2.3　生長型神經(jīng)氣網(wǎng)絡
3.3　主成分分析及其改進方法
3.3.1　主成分分析　
3.3.2　核主成分分析
3.3.3　二維主成分分析　
參考文獻　 第4章　前饋神經(jīng)網(wǎng)絡的模型選擇
4.1　基于假設檢驗的方法
4.1.1　Wald-檢驗　
4.1.2　LM-檢驗
4.2　基于信息準則的方法
4.2.1　AIC準則和BIC準則　
4.2.2　最小描述長度和交叉驗證
4.3　基于敏感度分析的方法
4.3.1　基于偏導數(shù)的敏感度分析方法
4.3.2　基于隨機分析的敏感度分析方法　
4.4　基于互信息的方法
4.4.1　互信息及其估計
4.4.2　基于互信息的多層感知器兩階段構造方法
參考文獻　 第5章　單個前饋神經(jīng)網(wǎng)絡
5.1　基于正則化相關熵的徑向基函數(shù)神經(jīng)網(wǎng)絡學習方法
5.1.1　正則化相關熵準則
5.1.2　數(shù)值實驗　
5.2　橢球基函數(shù)神經(jīng)網(wǎng)絡的混合學習方法
5.3.2　特征加權支持向量機
5.3.3　數(shù)值實驗　
參考文獻 第6章　混合前饋神經(jīng)網(wǎng)絡
6.1高斯、Sigmoid、切比雪夫混合前饋神經(jīng)網(wǎng)絡
6.1.1　Gauss.Sigmoid神經(jīng)網(wǎng)絡　
6.1.2　高斯一切比雪夫神經(jīng)網(wǎng)絡
6.1.3　數(shù)值實驗　
6.2　基于自適應模糊c均值的混合專家模型　
6.2.1基于P：BMF.index的模糊c均值聚類算法
6.2.2　結構描述和實現(xiàn)方法　
6.2.3　數(shù)值實驗　
參考文獻　 第7章　前饋神經(jīng)網(wǎng)絡的應用
7.1　前饋神經(jīng)網(wǎng)絡在人臉識別中的應用　
7.2　前饋神經(jīng)網(wǎng)絡在非線性時間序列預測中的應用
7.3　前饋神經(jīng)網(wǎng)絡在圖像分割中的應用
7.4　前饋神經(jīng)網(wǎng)絡在異常檢測中的應用
參考文獻　 附錄　部分前饋神經(jīng)網(wǎng)絡的Matlab源代碼
附錄1　基本模型　
附錄2　模型選擇　
附錄3　改進模型　
索引