神经网络入门与实战
本书共分8章，系统地介绍了神经网络盲均衡算法的基本理论及算法形式。首先分析了盲均衡算法的基本原理、均衡准则、评价指标以及与神经网络的结合机理。其次，系统研究了前馈神经网络、反馈神经网络、进化神经网络、模糊神经网络和小波神经网络盲均衡算法的基本原理，推导了算法迭代公式，并进行了计算机仿真。*后采用zigzag编码和前馈神经网络实现了二维医学图像的盲均衡。
目录
第壹章概述1
1.1人工神经网络简介1
1.1.1人工神经网络的基本概念1
1.1.2人工神经网络的发展史2
1.1.3神经网络的研究内容5
1.2神经网络的特点5
1.3神经网络的结构6
1.4人工神经网络的分类7
1.5人工神经网络的学习方式9
1.6人工神经网络的应用9
1.6.1人工神经网络在全球气候变化中的应用10
1.6.2人工神经网络在控制系统中的应用10
1.6.3人工神经网络在疾病预后研究中的应用11
第2章感知器13
2.1感知器元件14
2.1.1神经元14
2.1.2神经元参数16
2.1.3组合功能16
2.1.4激活功能16
2.1.5输出功能18
2.1.6结论18
2.2感知器模型19
2.2.1超平面的定义19
2.2.2数据集的线性可分20
2.3感知器学习算法22
2.3.1感知器学习算法的原始形式23
2.3.2感知器学习算法的对偶形式24
2.4感知器的收敛性25
2.5感知器应用举例25
2.5.1问题描述25
2.5.2添加权重和阈值26
2.5.3建立决策模型26
2.5.4向量化27
2.5.5神经网络的运作过程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神经网络31
3.1前向传播37
3.2反向传播38
第4章支持向量机41
4.1问题提出41
4.2SVM问题42
4.2.1支持向量与样本间隔42
4.2.2支持向量机形式化描述43
4.3对偶问题43
4.3.1SVM问题的对偶问题43
4.3.2对偶问题再讨论44
4.3.3对偶问题求解45
4.4核函数46
4.4.1如何处理非线性可分数据46
4.4.2核函数的提出47
4.4.3几种常见的核函数48
4.5软间隔与正则化49
4.5.1如何处理噪声数据49
4.5.2软间隔支持向量机49
4.5.3软间隔支持向量机对偶问题50
4.5.4正则化51
第5章深度学习53
5.1深度神经网络概述53
5.2深度卷积神经网络55
5.2.1卷积算子55
5.2.2卷积的特征55
5.3深度卷积神经网络的典型结构56
5.3.1基本网络结构56
5.3.2网络结构模式56
5.4深度卷积神经网络的层60
5.4.1卷积层60
5.4.2池化层60
5.4.3激活层60
5.5深度卷积神经网络在图像识别中的应用61
第6章强化学习63
6.1强化学习概述63
6.2强化学习问题建模——马尔可夫决策过程64
6.3强化学习算法简介65
6.3.1基于值函数的策略学习方法65
6.3.2策略搜索算法70
6.4深度强化学习76
6.5小结79
第7章极限学习80
7.1极限学习概述80
7.2极限学习算法80
7.3极限学习的改进82
7.3.1核极限学习82
7.3.2增量型极限学习84
7.3.3深度极限学习85
7.4极限学习的应用87
7.4.1极限学习在图像分类中的应用88
7.4.2极限学习在入侵检测中的应用88
7.4.3极限学习在故障识别中的应用91
7.5小结91
第8章TensorFlow机器学习平台93
8.1TensorFlow起源95
8.2TensorFlow简介95
8.3TensorFlow的特征96
8.4TensorFlow使用对象、环境及兼容性97
8.5TensorFlow的其他模块98
8.6安全性101
第9章神经网络的应用102
9.1基于神经网络的图像处理102
9.2基于神经网络的信号处理109
9.3基于神经网络的模式识别109
9.4基于神经网络的机器控制122
参考文献126
