神經網絡理論及應用實踐 廉小親 吳靜珠 高超等 9787302687504 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202506*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：神經網絡理論及應用實踐
ISBN：9787302687504
出版社：清華大學
著編譯者：廉小親 吳靜珠 高超等
頁數：227
所在地：中國大陸 *此為代購商品
書號：1745223
可大量預訂，請先連絡。

編輯推薦
注重理論概念的內涵闡述與各網絡模型應用案例的研討，避免煩瑣複雜的數學推導；通過實踐案例，提供在實際應用中設計神經網絡模型的思路，讀者能夠更加深入理解理論知識；介紹神經網絡工具箱函數，為神經網絡理論與實踐建立橋樑，為神經網絡的仿真提供了便捷的方法。
內容全面，注重邏輯 全面介紹了人工神經網絡基本理論，在內容選擇與編排上注重讀者的接受程度與邏輯思維。
由淺入深，循序漸進 緊扣讀者需求，採用循序漸進的方法，深入淺出地講述人工神經網絡的典型網絡結構、學習算法、工作原理等理論。
案例典型，注解詳細 給出了與應用案例配套的MATLAB或Python程序源代碼並附有詳細的注解，有助於讀者理解與掌握應用人工神經網絡解決實際問題的全過程。
資源豐富，便於教學 為了便於教師教學，提供程序代碼、教學課件等教學資料。

內容簡介
《神經網絡理論及應用實踐》在全面介紹人工神經網絡基本理論的基礎之上，首先，系統地闡述了單層感知器神經網絡、BP神經網絡、競爭學習神經網絡、自組織神經網絡、學習向量量化神經網絡、對偶傳播神經網絡、徑向基函數神經網絡、支持向量機等淺層神經網絡的典型網絡結構、學習算法、工作原理和應用案例； 其次，系統地闡述了深度學習中卷積神經網絡、循環神經網絡兩種經典神經網絡的概念、基本架構、工作原理和應用案例； 最後，介紹了人工神經網絡設計開發平臺。《神經網絡理論及應用實踐》旨在使讀者瞭解和掌握人工神經網絡的設計和應用方法，為讀者深入瞭解和研究人工神經網絡奠定基礎。
《神經網絡理論及應用實踐》可作為高等院校計算機類、電子信息類、自動化類、金融類、統計類等相關專業高年級本科生、研究生的教材，也可作為相關專業領域的科研人員和工程技術人員的學習參考書。

目錄
目錄
第1章 緒論
視頻講解： 15分鐘，1集
1 1人工神經網絡概述
1 2人工神經網絡發展歷程
1 2 1人工神經網絡啟蒙期(1943年—1969年)
1 2 2人工神經網絡低潮期(1969年—1982年)
1 2 3人工神經網絡復興期(1982年—2006年)
1 2 4人工神經網絡高速發展期(2006年至今)
1 3人工神經網絡特點
1 4人工神經網絡功能
1 5人工神經網絡應用
1 6本書主要內容及特點
本章 習題
第2章 人工神經網絡基礎
視頻講解： 16分鐘，2集
2 1生物神經網絡
2 2人工神經元
2 2 1人工神經元模型
2 2 2人工神經元的數學描述
2 2 3人工神經元的激活函數
2 3人工神經網絡分類
2 3 1基於連接方式分類
2 3 2基於連接範圍分類
2 3 3基於信息流向分類
2 3 4基於典型架構分類
2 4人工神經網絡學習
2 4 1有監督學習
2 4 2無監督學習
2 4 3強化學習
2 4 4自監督學習
2 4 5半監督學習
2 4 6遷移學習
2 4 7灌輸式學習
2 5基於MATLAB工具箱的神經網絡基本參數描述
2 5 1MATLAB工具箱的神經元模型
2 5 2MATLAB工具箱的神經網絡結構
2 6本章 小結
本章 習題
第3章 感知器神經網絡
視頻講解： 59分鐘，9集
3 1單層感知器
3 1 1感知器模型
3 1 2感知器學習算法
3 1 3感知器功能性
3 1 4感知器局限性
3 2多層感知器引入
3 3BP神經網絡
3 3 1BP神經網絡模型
3 3 2BP學習算法
3 3 3BP算法實現
3 3 4BP算法局限性
3 3 5標準BP算法改進
3 4BP神經網絡設計基礎
3 4 1訓練樣本集準備
3 4 2初始權值設計
3 4 3網絡結構設計
3 4 4網絡訓練與測試
3 5基於MATLAB的BP神經網絡應用案例
3 5 1基於MATLAB的BP神經網絡案例——數據擬合
3 5 2基於MATLAB的BP神經網絡案例——鳶尾花分類
3 5 3基於MATLAB的BP神經網絡案例——紅酒品種分類
3 5 4基於MATLAB的BP神經網絡案例——C形數據簇分類
3 5 5基於MATLAB的BP神經網絡案例——汽油辛烷值預測
3 5 6基於MATLAB的BP神經網絡案例——月平均溫度預測
本章 習題
第4章 自組織競爭神經網絡
視頻講解： 34分鐘，5集
4 1競爭學習神經網絡
4 1 1相似度測量
4 1 2競爭學習原理
4 2自組織特徵映射神經網絡
4 2 1網絡結構
4 2 2學習算法
4 3自組織神經網絡應用案例
4 3 1基於SOM神經網絡的汽車競品分析
4 3 2基於SOM神經網絡的葡萄乾聚類分析
4 4學習向量量化神經網絡
4 4 1向量量化
4 4 2網絡結構
4 4 3運行原理
4 4 4學習算法
4 5學習向量量化神經網絡應用案例
4 5 1基於LVQ神經網絡的紅酒品種分類
4 5 2基於LVQ神經網絡的森林火災預測
4 6對偶傳播神經網絡
4 7對偶傳播神經網絡應用案例
4 7 1基於CPN神經網絡的博士論文質量評價及Python實現
4 7 2基於CPN神經網絡的C形數據簇分類
本章 習題
第5章 徑向基函數神經網絡
視頻講解： 40分鐘，5集
5 1正則化RBF神經網絡
5 1 1插值問題
5 1 2徑向基函數解決插值問題
5 1 3正則化RBF神經網絡結構
5 1 4正則化RBF神經網絡學習算法
5 1 5正則化RBF神經網絡局限性
5 2廣義RBF神經網絡
5 2 1模式可分性
5 2 2廣義RBF神經網絡結構
5 2 3廣義RBF神經網絡學習算法
5 3基於MATLAB的RBF神經網絡應用案例
5 3 1基於MATLAB的RBF神經網絡案例——數據擬合
5 3 2基於MATLAB的RBF神經網絡案例——小麥種子分類
5 3 3基於MATLAB的RBF神經網絡案例——人口數量預測
5 3 4基於MATLAB的RBF神經網絡案例——地下水位預測
本章 習題
第6章 支持向量機
視頻講解： 20分鐘，2集
6 1線性可分支持向量機
6 1 1最優超平面
6 1 2線性可分最優超平面
6 2線性支持向量機
6 3非線性支持向量機
6 3 1基於內積核的最優超平面
6 3 2非線性支持向量機神經網絡
6 4支持向量機應用案例
6 4 1最優分類超平面的數學求解
6 4 2支持向量機的多分類問題
本章 習題
第7章 卷積神經網絡
視頻講解： 67分鐘，6集
7 1CNN概述
7 1 1傳統神經網絡
7 1 2傳統神經網絡與CNN對比
7 1 3CNN的基本架構
7 2卷積功能層
7 2 1卷積功能層中的基本概念
7 2 2卷積操作與傳統神經元操作的類比
7 2 3感受野
7 2 4權值共享
7 2 5其他典型卷積操作
7 3池化層與全連接層
7 3 1池化層
7 3 2全連接層
7 3 3各功能層在案例中的解析
7 4CNN在目標檢測中的應用
7 4 1目標檢測發展背景
7 4 2目標檢測的評價指標
7 4 3基於CNN的目標檢測模型
7 5CNN退化問題
7 5 1CNN退化問題描述
7 5 2殘差神經網絡
7 6CNN模型的過擬合與欠擬合問題
7 6 1網絡超參數設計
7 6 2網絡性能評價
7 6 3過擬合與欠擬合
7 6 4Dropout
7 7CNN的典型應用案例
7 7 1貓狗圖像識別
7 7 2基於MobileNetV3的肺炎識別
本章 習題
第8章 循環神經網絡
視頻講解： 49分鐘，5集
8 1初識循環神經網絡
8 1 1循環神經網絡的應用對象
8 1 2循環神經網絡的模型優勢
8 1 3循環神經網絡的計算圖
8 2循環神經網絡的結構類型
8 2 1循環神經網絡設計模式
8 2 2雙向循環神經網絡
8 2 3深度循環神經網絡
8 3長短時記憶網絡
8 3 1標準長短時記憶網絡
8 3 2門控循環單元
8 4LSTM回歸應用案例
8 4 1單變量時間序列預測問題
8 4 2多變量時間序列預測問題
8 5LSTM分類應用案例
8 5 1圖像識別問題
8 5 2文本分類問題
本章 習題
第9章 人工神經網絡設計開發平臺
9 1MATLAB與Simulink基礎
9 1 1MATLAB運行環境
9 1 2Simulink仿真環境
9 1 3MATLAB設計基礎
9 2MATLAB神經網絡工具箱函數介紹
9 2 1感知器神經網絡
9 2 2線性神經網絡
9 2 3BP神經網絡
9 2 4自組織競爭神經網絡
9 2 5學習向量量化神經網絡
9 2 6徑向基神經網絡
本章 習題
參考文獻

精彩書摘
第1章 緒論
1 1 人工神經網絡概述
長久以來，計算機憑藉其強大的運算能力成為人們使用最多的信息處理工具之一，計算視頻講解機在數值運算和邏輯運算方面的優越能力極大地提高了人們的工作效率，為人們生活和社會經濟發展的智能化和自動化提供了先進手段。然而在推理判斷、識別分類、記憶聯想等未明確定義的問題上，計算機常常受限於其結構模式和運行機制，無法進行綜合分析與思考，因而不能作為有效的輔助工具。為瞭解決這一問題，人工智能隨之誕生，而人工神經網絡（Artificial Neural Network，ANN）作為人工智能領域的重要研究方向，多年來被眾多計算機科學學者不斷研究並得到了深入發展。
人工神經網絡又稱神經網絡或者類神經網絡，是人們將生物腦的研究成果與計算機科學相結合的產物，是基於生物學中神經網絡的基本原理，在理解和抽象了人腦結構和外界刺激響應機制後，以網絡拓撲知識為理論基礎，模擬人腦神經系統複雜信息處理機制的一種數學模型。人工神經網絡將許多神經元連接在一起，這些神經元有一個單獨的輸出，每個輸出都類似於生物神經元之間的突觸，通過數學算法實現與其他神經元的信息傳遞。一個神經元的輸出也可以作為另一個神經元的輸入，因此網絡的神經元之間有許多不同的連接方法。輸入層隱含層和輸出層通常組成一個經典的神經網絡，輸入層負責接收外部的信息和數據；隱含層負責對信息進行處理，不斷調整神經元之間的連接屬性，如權值等；輸出層負責對計算的結果進行輸出。輸入層和輸出層的神經元通常根據實際應用場景或實際問題而定，中間的隱含層數目極大影響了神經網絡的非線性映射能力。
人工神經網絡自1943年被提出以來，經歷了幾起幾落的艱難發展階段，陸續有感知器神經網絡、反向傳播（Back Propagation，BP）神經網絡經向基函數（Radial Basis Function，RBF）神經網絡、自組織特徵映射（Self－Organizing Feature Mapping，SOM）神經網絡等模型被提出並深入研究。2000年後，隨著計算機學科、腦神經學科、大數據學科的發展，神經網絡的理論建設與實踐應用有了更加長足的進步，複雜的多層次的人工神經網絡模型被不斷研究與完善，卷積神經網絡（Convolutional Neural Network，CNN）、循環神經網絡（Recurrent Neural Network，RNN）及長短期記憶（Long Short－TermMemory，LSTM）神經網絡等五十多種深度神經網絡模型紛紛湧現，這些模型被廣泛應用於模式識別與圖像處理、控制與優化、金融預測與管理等領域。
為了適應當前神經網絡發展趨勢，緊密跟蹤神經網絡應用熱點，培養能夠從事神經網絡理論及應用研究的技術人才，團隊教師在多年從事人工神經網絡理論及應用教學和科研工作的基礎上，融合當前神經網絡的熱點模型撰寫了本書。本書旨在為控制科學與工程、信息與通信工程等學科以及電子信息類專業碩士研究生，自動化、電氣工程及其自動化電子科學與技術、信息工程、人工智能智能科學與技術等相關專業本科生以及各類科技人員提供一本系統介紹人工神經網絡的基本理論設計方法和實踐案例的教材。
1 2 人工神經網絡發展歷程
人工神經網絡理論的發展歷程十分艱辛，總體可以概括為啟蒙期、低潮期復興期以及高速發展期。啟蒙期開始於1943年美國數學家Walter Pitts和心理學家Warre

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。