神经网络算法与实现 基于Java语言PDF|Epub|txt|kindle电子书版本下载

神经网络算法与实现 基于Java语言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 初识神经网络1

1.1 探索神经网络1

1.2 为什么要用人工神经网络2

1.3 神经网络的构造3

1.3.1 基础元素——人工神经元3

1.3.2 赋予神经元生命——激活函数4

1.3.3 基础值——权值5

1.3.4 重要参数——偏置5

1.3.5 神经网络组件——层5

1.4 神经网络结构6

1.4.1 单层神经网络7

1.4.2 多层神经网络7

1.4.3 前馈神经网络8

1.4.4 反馈神经网络8

1.5 从无知到有识——学习过程8

1.6 实践神经网络9

1.7 小结15

第2章 神经网络是如何学习的16

2.1 神经网络的学习能力16

2.2 学习范式17

2.2.1 监督学习17

2.2.2 无监督学习18

2.3 系统结构——学习算法19

2.3.1 学习的两个阶段——训练和测试20

2.3.2 细节——学习参数21

2.3.3 误差度量和代价函数22

2.4 学习算法示例22

2.4.1 感知机22

2.4.2 Delta规则23

2.5 神经网络学习过程的编码23

2.5.1 参数学习实现23

2.5.2 学习过程24

2.5.3 类定义26

2.6 两个实例33

2.6.1 感知机（报警系统）34

2.6.2 ADALINE（交通预测）37

2.7 小结42

第3章 运用感知机43

3.1 学习感知机神经网络43

3.1.1 感知机的应用和局限性44

3.1.2 线性分离44

3.1.3 经典XOR（异或）例子45

3.2 流行的多层感知机（MLP）47

3.2.1 MLP属性48

3.2.2 MLP权值49

3.2.3 递归MLP50

3.2.4 MLP在OOP范式中的结构50

3.3 有趣的MLP应用51

3.3.1 使用MLP进行分类51

3.3.2 用MLP进行回归53

3.4 MLP的学习过程54

3.4.1 简单但很强大的学习算法——反向传播55

3.4.2 复杂而有效的学习算法——Levenberg-Marquardt57

3.5 MLP实现58

3.5.1 实战反向传播算法61

3.5.2 探索代码62

3.6 Levenberg-Marquardt实现66

3.7 实际应用——新生入学68

3.8 小结71

第4章 自组织映射72

4.1 神经网络无监督学习方式72

4.2 无监督学习算法介绍73

4.3 Kohonen自组织映射76

4.3.1 一维SOM77

4.3.2 二维SOM78

4.3.3 逐步实现自组织映射网络学习80

4.3.4 如何使用SOM81

4.4 Kohonen算法编程81

4.4.1 探索Kohonen类84

4.4.2 Kohonen实现（动物聚类）86

4.5 小结88

第5章 天气预测89

5.1 针对预测问题的神经网络89

5.2 无数据，无神经网络——选择数据91

5.2.1 了解问题——天气变量92

5.2.2 选择输入输出变量92

5.2.3 移除无关行为——数据过滤93

5.3 调整数值——数据预处理94

5.4 Java实现天气预测96

5.4.1 绘制图表96

5.4.2 处理数据文件97

5.4.3 构建天气预测神经网络98

5.5 神经网络经验设计101

5.5.1 选择训练和测试数据集101

5.5.2 设计实验102

5.5.3 结果和模拟103

5.6 小结105

第6章 疾病诊断分类106

6.1 什么是分类问题，以及如何应用神经网络106

6.2 激活函数的特殊类型——逻辑回归107

6.2.1 二分类VS多分类109

6.2.2 比较预期结果与产生结果——混淆矩阵109

6.2.3 分类衡量——灵敏度和特异性110

6.3 应用神经网络进行分类111

6.4 神经网络的疾病诊断114

6.4.1 使用神经网络诊断乳腺癌114

6.4.2 应用神经网络进行早期糖尿病诊断118

6.5 小结121

第7章 客户特征聚类122

7.1 聚类任务123

7.1.1 聚类分析123

7.1.2 聚类评估和验证124

7.1.3 外部验证125

7.2 应用无监督学习125

7.2.1 径向基函数神经网络125

7.2.2 Kohonen神经网络126

7.2.3 数据类型127

7.3 客户特征128

7.4 Java实现129

7.5 小结135

第8章 模式识别（OCR案例）136

8.1 什么是模式识别136

8.1.1 定义大量数据中的类别137

8.1.2 如果未定义的类没有被定义怎么办138

8.1.3 外部验证138

8.2 如何在模式识别中应用神经网络算法138

8.3 OCR问题140

8.3.1 简化任务——数字识别140

8.3.2 数字表示的方法140

8.4 开始编码141

8.4.1 生成数据141

8.4.2 构建神经网络143

8.4.3 测试和重新设计——试错144

8.4.4 结果145

8.5 小结148

第9章 神经网络优化与自适应149

9.1 神经网络实现中的常见问题149

9.2 输入选择150

9.2.1 数据相关性150

9.2.2 降维151

9.2.3 数据过滤152

9.3 结构选择152

9.4 在线再训练154

9.4.1 随机在线学习155

9.4.2 实现156

9.4.3 应用157

9.5 自适应神经网络159

9.5.1 自适应共振理论159

9.5.2 实现160

9.6 小结162

附录A NetBeans环境搭建163

附录B Eclipse环境搭建175

附录C 参考文献186