前饋神經(jīng)網(wǎng)絡(luò)及其應(yīng)用

前言
符號(hào)說(shuō)明
第1章　緒論
1.1　有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)　
1.1.1　有監(jiān)督學(xué)習(xí)
1.1.2　無(wú)監(jiān)督學(xué)習(xí)　
1.2　神經(jīng)網(wǎng)絡(luò)的分類(lèi)　
1.2.1　前饋神經(jīng)網(wǎng)絡(luò)　
1.2.2　反饋神經(jīng)網(wǎng)絡(luò)　
1.3　前饋神經(jīng)網(wǎng)絡(luò)的模型選擇與混合策略　
1.3.1　前饋神經(jīng)網(wǎng)絡(luò)的模型選擇　
1.3.2　前饋神經(jīng)網(wǎng)絡(luò)的混合策略　
參考文獻(xiàn) 第2章　有監(jiān)督學(xué)習(xí)前饋神經(jīng)網(wǎng)絡(luò)　
2.1　多層感知器神經(jīng)網(wǎng)絡(luò)
2.1.1　網(wǎng)絡(luò)結(jié)構(gòu)
2.1.2　學(xué)習(xí)算法
2.1.3　逼近理論
2.2　徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
2.2.1　網(wǎng)絡(luò)結(jié)構(gòu)　
2.2.2　學(xué)習(xí)算法
2.2.3　逼近理論
2.3　切比雪夫神經(jīng)網(wǎng)絡(luò)　
2.3.1　網(wǎng)絡(luò)結(jié)構(gòu)
2.3.2　學(xué)習(xí)算法　
2.3.3　逼近理論
2.4　支持向量機(jī)
2.4.1　網(wǎng)絡(luò)結(jié)構(gòu)　
2.4.2　學(xué)習(xí)算法
5.2.1　橢球基函數(shù)神經(jīng)網(wǎng)絡(luò)
5.2.2　橢球基函數(shù)神經(jīng)網(wǎng)絡(luò)的混合學(xué)習(xí)策略
5.2.3　數(shù)值實(shí)驗(yàn)　
5.3　基于互信息的特征加權(quán)支持向量機(jī)
5.3.1　基于互信息的特征權(quán)重估計(jì)　
2.4.3　逼近理論　
參考文獻(xiàn)　 第3章　無(wú)監(jiān)督學(xué)習(xí)前饋神經(jīng)網(wǎng)絡(luò)
3.1　自組織映射神經(jīng)網(wǎng)絡(luò)
3.1.1　網(wǎng)絡(luò)結(jié)構(gòu)
3.1.2　學(xué)習(xí)算法　
3.1.3　核自組織映射神經(jīng)網(wǎng)絡(luò)　
3.2　神經(jīng)氣網(wǎng)絡(luò)　
3.2.1　學(xué)習(xí)算法　
3.2.2　核神經(jīng)氣網(wǎng)絡(luò)　
3.2.3　生長(zhǎng)型神經(jīng)氣網(wǎng)絡(luò)
3.3　主成分分析及其改進(jìn)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(xiàn)　 第4章　前饋神經(jīng)網(wǎng)絡(luò)的模型選擇
4.1　基于假設(shè)檢驗(yàn)的方法
4.1.1　Wald-檢驗(yàn)　
4.1.2　LM-檢驗(yàn)
4.2　基于信息準(zhǔn)則的方法
4.2.1　AIC準(zhǔn)則和BIC準(zhǔn)則　
4.2.2　最小描述長(zhǎng)度和交叉驗(yàn)證
4.3　基于敏感度分析的方法
4.3.1　基于偏導(dǎo)數(shù)的敏感度分析方法
4.3.2　基于隨機(jī)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(jì)
4.4.2　基于互信息的多層感知器兩階段構(gòu)造方法
參考文獻(xiàn)　 第5章　單個(gè)前饋神經(jīng)網(wǎng)絡(luò)
5.1　基于正則化相關(guān)熵的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法
5.1.1　正則化相關(guān)熵準(zhǔn)則
5.1.2　數(shù)值實(shí)驗(yàn)　
5.2　橢球基函數(shù)神經(jīng)網(wǎng)絡(luò)的混合學(xué)習(xí)方法
5.3.2　特征加權(quán)支持向量機(jī)
5.3.3　數(shù)值實(shí)驗(yàn)　
參考文獻(xiàn) 第6章　混合前饋神經(jīng)網(wǎng)絡(luò)
6.1高斯、Sigmoid、切比雪夫混合前饋神經(jīng)網(wǎng)絡(luò)
6.1.1　Gauss.Sigmoid神經(jīng)網(wǎng)絡(luò)　
6.1.2　高斯一切比雪夫神經(jīng)網(wǎng)絡(luò)
6.1.3　數(shù)值實(shí)驗(yàn)　
6.2　基于自適應(yīng)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(lèi)算法
6.2.2　結(jié)構(gòu)描述和實(shí)現(xiàn)方法　
6.2.3　數(shù)值實(shí)驗(yàn)　
參考文獻(xiàn)　 第7章　前饋神經(jīng)網(wǎng)絡(luò)的應(yīng)用
7.1　前饋神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別中的應(yīng)用　
7.2　前饋神經(jīng)網(wǎng)絡(luò)在非線性時(shí)間序列預(yù)測(cè)中的應(yīng)用
7.3　前饋神經(jīng)網(wǎng)絡(luò)在圖像分割中的應(yīng)用
7.4　前饋神經(jīng)網(wǎng)絡(luò)在異常檢測(cè)中的應(yīng)用
參考文獻(xiàn)　 附錄　部分前饋神經(jīng)網(wǎng)絡(luò)的Matlab源代碼
附錄1　基本模型　
附錄2　模型選擇　
附錄3　改進(jìn)模型　
索引