深度学习、优化与识别PDF|Epub|txt|kindle电子书版本下载

深度学习、优化与识别PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 深度学习基础1

1.1数学基础2

1.1.1矩阵论2

1.1.2概率论3

1.1.3优化分析5

1.1.4框架分析6

1.2稀疏表示8

1.2.1稀疏表示初步8

1.2.2稀疏模型20

1.2.3稀疏认知学习、计算与识别的范式24

1.3机器学习与神经网络31

1.3.1机器学习31

1.3.2神经网络36

参考文献38

第2章 深度前馈神经网络41

2.1神经元的生物机理42

2.1.1生物机理42

2.1.2单隐层前馈神经网络43

2.2多隐层前馈神经网络45

2.3反向传播算法47

2.4深度前馈神经网络的学习范式48

参考文献51

第3章 深度卷积神经网络54

3.1卷积神经网络的生物机理及数学刻画55

3.1.1生物机理55

3.1.2卷积流的数学刻画56

3.2深度卷积神经网络61

3.2.1典型网络模型与框架61

3.2.2学习算法及训练策略69

3.2.3模型的优缺点分析71

3.3深度反卷积神经网络73

3.3.1卷积稀疏编码73

3.3.2深度反卷积神经网络75

3.3.3网络模型的性能分析与应用举例77

3.4全卷积神经网络77

3.4.1网络模型的数学刻画77

3.4.2网络模型的性能分析及应用举例79

参考文献80

第4章 深度堆栈自编码网络83

4.1自编码网络84

4.1.1逐层学习策略84

4.1.2自编码网络84

4.1.3自编码网络的常见范式87

4.2深度堆栈网络90

4.3深度置信网络/深度玻尔兹曼机网络93

4.3.1玻尔兹曼机/受限玻尔兹曼机93

4.3.2深度玻尔兹曼机/深度置信网络94

参考文献96

第5章 稀疏深度神经网络99

5.1稀疏性的生物机理100

5.1.1生物视觉机理100

5.1.2稀疏性响应与数学物理描述102

5.2稀疏深度网络模型及基本性质102

5.2.1数据的稀疏性103

5.2.2稀疏正则103

5.2.3稀疏连接104

5.2.4稀疏分类器设计106

5.2.5深度学习中关于稀疏的技巧与策略108

5.3网络模型的性能分析110

5.3.1稀疏性对深度学习的影响110

5.3.2对比试验及结果分析110

参考文献111

第6章 深度融合网络113

6.1深度SVM网络114

6.1.1从神经网络到SVM114

6.1.2网络模型的结构115

6.1.3训练技巧117

6.2深度PCA网络117

6.3深度ADMM网络119

6.4深度极限学习机121

6.4.1极限学习机121

6.4.2深度极限学习机123

6.5深度多尺度几何网络125

6.5.1深度脊波网络126

6.5.2深度轮廓波网络127

6.6深度森林130

6.6.1多分辨特性融合131

6.6.2级联特征深度处理131

参考文献133

第7章 深度生成网络136

7.1生成式对抗网络的基本原理137

7.1.1网络模型的动机137

7.1.2网络模型的数学物理描述139

7.2深度卷积对抗生成网络141

7.2.1网络模型的基本结构141

7.2.2网络模型的性能分析144

7.2.3网络模型的典型应用146

7.3深度生成网络模型的新范式151

7.3.1生成式对抗网络的新范式151

7.3.2网络框架的性能分析与改进154

7.4应用驱动下的两种新生成式对抗网络155

7.4.1堆栈生成式对抗网络155

7.4.2对偶学习范式下的生成式对抗网络158

7.5变分自编码器160

参考文献162

第8章 深度复卷积神经网络与深度二值神经网络167

8.1深度复卷积神经网络168

8.1.1网络模型构造的动机168

8.1.2网络模型的数学物理描述168

8.2深度二值神经网络172

8.2.1网络基本结构172

8.2.2网络的数学物理描述173

8.2.3讨论176

参考文献177

第9章 深度循环和递归神经网络180

9.1深度循环神经网络181

9.1.1循环神经网络的生物机理181

9.1.2简单的循环神经网络181

9.1.3深度循环神经网络的数学物理描述183

9.2深度递归神经网络188

9.2.1简单的递归神经网络188

9.2.2深度递归神经网络的优势189

9.3长短时记忆神经网络190

9.3.1改进动机分析190

9.3.2长短时记忆神经网络的数学分析191

9.4典型应用192

9.4.1深度循环神经网络的应用举例193

9.4.2深度递归神经网络的应用举例194

参考文献194

第10章 深度强化学习197

10.1深度强化学习简介198

10.1.1深度强化学习的基本思路198

10.1.2发展历程198

10.1.3应用新方向200

10.2深度Q网络201

10.2.1网络基本模型与框架201

10.2.2深度Q网络的数学分析202

10.3应用举例——AlphaGo204

10.3.1 AlphaGo原理分析205

10.3.2深度强化学习性能分析206

参考文献207

第11章 深度学习软件仿真平台及开发环境209

11.1 Caffe平台210

11.1.1 Caffe平台开发环境210

11.1.2 AlexNet神经网络学习210

11.1.3 AlexNet神经网络应用于图像分类212

11.2 TensorFlow平台215

11.2.1 TensorFlow平台开发环境215

11.2.2深度卷积生成式对抗网DCGAN216

11.2.3 DAN应用于样本扩充217

11.3 MXNet平台220

11.3.1 MXNet平台开发环境220

11.3.2 VGG-NET深度神经网络学习222

11.3.3图像分类应用任务225

11.4 Torch 7平台226

11.4.1 Torch 7平台开发环境226

11.4.2二值神经网络227

11.4.3二值神经网络应用于图像分类229

11.5 Theano平台233

11.5.1 Theano平台开发环境233

11.5.2递归神经网络234

11.5.3 LSTM应用于情感分类任务237

参考文献238

第12章 基于深度神经网络的SAR/PolSAR影像地物分类240

12.1数据集及研究目的241

12.1.1数据集特性分析241

12.1.2基本数据集244

12.1.3研究目的247

12.2基于深度神经网络的SAR影像地物分类251

12.2.1基于自适应自编码和超像素的SAR图像分类251

12.2.2基于卷积中层特征学习的SAR图像分类257

12.3基于第一代深度神经网络的PolSAR影像地物分类263

12.3.1基于稀疏极化DBN的极化SAR地物分类263

12.3.2基于深度PCA网络的极化SAR影像地物分类267

12.4基于第二代深度神经网络的PolSAR影像地物分类271

12.4.1基于深度复卷积网络的PolSAR影像地物分类271

12.4.2基于生成式对抗网的PolSAR影像地物分类274

12.4.3基于深度残差网络的PolSAR影像地物分类278

参考文献280

第13章 基于深度神经网络的SAR影像的变化检测284

13.1数据集特点及研究目的285

13.1.1研究目的285

13.1.2数据基本特性288

13.1.3典型数据集291

13.2基于深度学习和SIFT特征的SAR图像变化检测293

13.2.1基本方法与实现策略294

13.2.2对比试验结果分析295

13.3基于SAE的SAR图像变化检测299

13.3.1基本方法与实现策略299

13.3.2实验结果和分析303

13.4基于CNN的SAR图像变化检测305

13.4.1基本方法与实现策略305

13.4.2对比试验结果分析307

参考文献309

第14章 基于深度神经网络的高光谱图像分类与压缩311

14.1数据集及研究目的312

14.1.1高光谱遥感技术312

14.1.2高光谱遥感的研究目的313

14.1.3常用的高光谱数据集314

14.2基于深度神经网络的高光谱影像的分类318

14.2.1基于堆栈自编码的高光谱影像的分类319

14.2.2基于卷积神经网络的高光谱影像的分类325

14.3基于深度神经网络的高光谱影像的压缩333

14.3.1基于深度自编码网络的高光谱图像压缩方法334

14.3.2实验设计及分类结果336

参考文献338

第15章 基于深度神经网络的目标检测与识别340

15.1数据特性及研究目的341

15.1.1研究目的341

15.1.2常用数据集343

15.2基于快速CNN的目标检测与识别345

15.2.1 R-CNN346

15.2.2 Fast R-CNN348

15.2.3 Faster R-CNN349

15.2.4对比实验结果与分析352

15.3基于回归学习的目标检测与识别353

15.3.1 YOLO353

15.3.2 SSD356

15.3.3对比实验结果与分析359

15.4基于学习搜索的目标检测与识别360

15.4.1基于深度学习的主动目标定位360

15.4.2 AttentionNet363

15.4.3对比实验结果与分析365

参考文献366

第16章 总结与展望368

16.1深度学习发展历史图369

16.1.1从机器学习、稀疏表示学习到深度学习369

16.1.2深度学习、计算与认知的范式演进370

16.1.3深度学习形成脉络371

16.2深度学习的应用介绍375

16.2.1目标检测与识别375

16.2.2超分辨376

16.2.3自然语言处理376

16.3深度神经网络的可塑性377

16.3.1旋转不变性377

16.3.2平移不变性378

16.3.3多尺度、多分辨和多通路特性378

16.3.4稀疏性379

16.4基于脑启发式的深度学习前沿方向380

16.4.1生物神经领域关于认知、识别、注意等的最新研究进展380

16.4.2深度神经网络的进一步研究方向382

16.4.3深度学习的可拓展性383

参考文献383

附录A基于深度学习的常见任务处理介绍386

附录B代码介绍393