国模私拍一区二区三区,亚洲天堂第一页,在线无码

內(nèi)容簡介

　　本書共分8章，系統(tǒng)地介紹了神經(jīng)網(wǎng)絡(luò)盲均衡算法的基本理論及算法形式。首先分析了盲均衡算法的基本原理、均衡準(zhǔn)則、評價指標(biāo)以及與神經(jīng)網(wǎng)絡(luò)的結(jié)合機理。其次，系統(tǒng)研究了前饋神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)、進(jìn)化神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)盲均衡算法的基本原理，推導(dǎo)了算法迭代公式，并進(jìn)行了計算機仿真。最后采用zigzag編碼和前饋神經(jīng)網(wǎng)絡(luò)實現(xiàn)了二維醫(yī)學(xué)圖像的盲均衡。

作者簡介

　　張立毅，男，生于1963年2月，1985年畢業(yè)于太原工業(yè)大學(xué)（現(xiàn)太原理工大學(xué)）獲工學(xué)學(xué)士學(xué)位，2003年畢業(yè)于北京理工大學(xué)獲工學(xué)博士學(xué)位，2008年天津大學(xué)通信與信息系統(tǒng)博士后流動站出站。現(xiàn)任天津商業(yè)大學(xué)研究生部主任兼學(xué)科建設(shè)辦公室主任、教授，天津大學(xué)信息與通信工程一級學(xué)科博士研究生導(dǎo)師。先后兼任全國微波毫米波測試專業(yè)學(xué)會副主任，中國電子學(xué)會電路與系統(tǒng)分會委員，山西省通信學(xué)會常務(wù)理事，山西省通信學(xué)會學(xué)術(shù)委員會副主任，天津市通信學(xué)會高校工作委員會理事，中國電子學(xué)會高級會員，中國通信學(xué)會高級會員。研究方向為信號檢測與處理，智能計算與信息處理。指導(dǎo)碩士研究生畢業(yè)86名，博士研究生8名，博士后4名。2009年被評為天津市優(yōu)秀教師，2011年被評為天津市勞動模范。先后完成鑒定國家自然科學(xué)基金、中國博士后基金、國家863子課題等項目20余項，在國內(nèi)外學(xué)術(shù)期刊及會議上發(fā)表論文200余篇，其中被EI等收錄100余篇次。

圖書目錄

目錄
第1章概述1
1.1人工神經(jīng)網(wǎng)絡(luò)簡介1
1.1.1人工神經(jīng)網(wǎng)絡(luò)的基本概念1
1.1.2人工神經(jīng)網(wǎng)絡(luò)的發(fā)展史2
1.1.3神經(jīng)網(wǎng)絡(luò)的研究內(nèi)容5
1.2神經(jīng)網(wǎng)絡(luò)的特點5
1.3神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)6
1.4人工神經(jīng)網(wǎng)絡(luò)的分類7
1.5人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式9
1.6人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用9
1.6.1人工神經(jīng)網(wǎng)絡(luò)在全球氣候變化中的應(yīng)用10
1.6.2人工神經(jīng)網(wǎng)絡(luò)在控制系統(tǒng)中的應(yīng)用10
1.6.3人工神經(jīng)網(wǎng)絡(luò)在疾病預(yù)后研究中的應(yīng)用11
第2章感知器13
2.1感知器元件14
2.1.1神經(jīng)元14
2.1.2神經(jīng)元參數(shù)16
2.1.3組合功能16
2.1.4激活功能16
2.1.5輸出功能18
2.1.6結(jié)論18
2.2感知器模型19
2.2.1超平面的定義19
2.2.2數(shù)據(jù)集的線性可分20
2.3感知器學(xué)習(xí)算法22
2.3.1感知器學(xué)習(xí)算法的原始形式23
2.3.2感知器學(xué)習(xí)算法的對偶形式24
2.4感知器的收斂性25
2.5感知器應(yīng)用舉例25
2.5.1問題描述25
2.5.2添加權(quán)重和閾值26
2.5.3建立決策模型26
2.5.4向量化27
2.5.5神經(jīng)網(wǎng)絡(luò)的運作過程28
2.6感知器的局限性29
2.6.1感知器能做什么29
2.6.2感知器不能做什么29
第3章BP神經(jīng)網(wǎng)絡(luò)31
3.1前向傳播37
3.2反向傳播38
第4章支持向量機41
4.1問題提出41
4.2SVM問題42
4.2.1支持向量與樣本間隔42
4.2.2支持向量機形式化描述43
4.3對偶問題43
4.3.1SVM問題的對偶問題43
4.3.2對偶問題再討論44
4.3.3對偶問題求解45
4.4核函數(shù)46
4.4.1如何處理非線性可分?jǐn)?shù)據(jù)46
4.4.2核函數(shù)的提出47
4.4.3幾種常見的核函數(shù)48
4.5軟間隔與正則化49
4.5.1如何處理噪聲數(shù)據(jù)49
4.5.2軟間隔支持向量機49
4.5.3軟間隔支持向量機對偶問題50
4.5.4正則化51
第5章深度學(xué)習(xí)53
5.1深度神經(jīng)網(wǎng)絡(luò)概述53
5.2深度卷積神經(jīng)網(wǎng)絡(luò)55
5.2.1卷積算子55
5.2.2卷積的特征55
5.3深度卷積神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)56
5.3.1基本網(wǎng)絡(luò)結(jié)構(gòu)56
5.3.2網(wǎng)絡(luò)結(jié)構(gòu)模式56
5.4深度卷積神經(jīng)網(wǎng)絡(luò)的層60
5.4.1卷積層60
5.4.2池化層60
5.4.3激活層60
5.5深度卷積神經(jīng)網(wǎng)絡(luò)在圖像識別中的應(yīng)用61
第6章強化學(xué)習(xí)63
6.1強化學(xué)習(xí)概述63
6.2強化學(xué)習(xí)問題建模——馬爾可夫決策過程64
6.3強化學(xué)習(xí)算法簡介65
6.3.1基于值函數(shù)的策略學(xué)習(xí)方法65
6.3.2策略搜索算法70
6.4深度強化學(xué)習(xí)76
6.5小結(jié)79
第7章極限學(xué)習(xí)80
7.1極限學(xué)習(xí)概述80
7.2極限學(xué)習(xí)算法80
7.3極限學(xué)習(xí)的改進(jìn)82
7.3.1核極限學(xué)習(xí)82
7.3.2增量型極限學(xué)習(xí)84
7.3.3深度極限學(xué)習(xí)85
7.4極限學(xué)習(xí)的應(yīng)用87
7.4.1極限學(xué)習(xí)在圖像分類中的應(yīng)用88
7.4.2極限學(xué)習(xí)在入侵檢測中的應(yīng)用88
7.4.3極限學(xué)習(xí)在故障識別中的應(yīng)用91
7.5小結(jié)91
第8章TensorFlow機器學(xué)習(xí)平臺93
8.1TensorFlow起源95
8.2TensorFlow簡介95
8.3TensorFlow的特征96
8.4TensorFlow使用對象、環(huán)境及兼容性97
8.5TensorFlow的其他模塊98
8.6安全性101
第9章神經(jīng)網(wǎng)絡(luò)的應(yīng)用102
9.1基于神經(jīng)網(wǎng)絡(luò)的圖像處理102
9.2基于神經(jīng)網(wǎng)絡(luò)的信號處理109
9.3基于神經(jīng)網(wǎng)絡(luò)的模式識別109
9.4基于神經(jīng)網(wǎng)絡(luò)的機器控制122
參考文獻(xiàn)126