国产AV一码二码三码无码,国产精品无码VA日韩欧,亚洲人AV在线无码影院观看

內(nèi)容簡介

　　《基函數(shù)神經(jīng)網(wǎng)絡及應用》是作者10余年來基于函數(shù)逼近論與神經(jīng)生物學的相關知識，在前向神經(jīng)網(wǎng)絡理論與應用方面取得的系列研究成果的總結(jié)以及對一些最新進展的介紹和展望?！痘瘮?shù)神經(jīng)網(wǎng)絡及應用》主要內(nèi)容包括神經(jīng)元激勵函數(shù)的選取、正交基函數(shù)神經(jīng)網(wǎng)絡的建模、相關學習算法的設計、網(wǎng)絡拓撲結(jié)構(gòu)的最優(yōu)化、正交基函數(shù)神經(jīng)網(wǎng)絡的硬件實現(xiàn)及該類神經(jīng)網(wǎng)絡在系統(tǒng)辨識、濾波器設計、非線性預測、信息加密、入侵檢測和模型算法控制（MAC）中的應用。最后探討了任意基函數(shù)前向神經(jīng)網(wǎng)絡的建模機理，構(gòu)造了基函數(shù)前向神經(jīng)網(wǎng)絡通用模型，推導出相應的學習算法公式。書中各章既有相關性又具相對獨立性，既便于讀者總體閱讀也便于選擇性閱讀。相關章節(jié)的附錄也給出了基于MATLAB的程序代碼?！痘瘮?shù)神經(jīng)網(wǎng)絡及應用》適合高等院校信息學科各專業(yè)（如人工智能、自動控制、電子信息技術、網(wǎng)絡工程、計算機科學、系統(tǒng)工程和軟件專業(yè)等）的本科生、碩士研究生和博士研究生使用，同時也可供廣大IT行業(yè)及相關工程行業(yè)（如芯片設計與制造、資訊安全和機械電子等）的科技人員、專業(yè)人士和感興趣的數(shù)學類學者參考。

作者簡介

　　鄒阿金，男，1963年生。碩士，副教授。1986年7月畢業(yè)于西北工業(yè)大學，獲應用數(shù)學學士學位；1996年3月畢業(yè)于湖南大學，獲工業(yè)自動化碩士學位；2008年度中山大學訪問學者。2000年1月至2002年12月參加國家自然科學基金資助項目（19974002），從事信號處理方面的研究工作；1997年3月至1999年12月參加煤炭系統(tǒng)留學回國人員科技基金資助項目（9701），從事算法及圖像處理方面的研究工作；2008年度在中山大學訪問期間，參加了張雨濃教授主持的國家自然科學基金資助項目（60643004、60775050）、中山大學科研啟動費和后備重點課題資助項目的科研工作，從事基函數(shù)神經(jīng)網(wǎng)絡理論與應用研究等，已發(fā)表論文30多篇。研究方向：神經(jīng)網(wǎng)絡理論及應用。張雨濃，男，教授、博士生導師。1996年入讀華南理工大學后接觸人工神經(jīng)網(wǎng)絡理論與實踐，先后在香港中文大學、新加坡國立大學、英國Strathclyde大學和愛爾蘭國立大學從事人工神經(jīng)網(wǎng)絡研究，2006年回國執(zhí)教于中山大學，2007年入選教育部“新世紀優(yōu)秀人才支持計劃”。多次參加和參與組織相關學術會議并擔任組委會成員和主席等職務；發(fā)表神經(jīng)網(wǎng)絡相關論文70余篇，其中[EEE Transactions論文8篇、SCI論文20余篇、EI論文30余篇。從2001年3月開始提出時變矩陣／向量／優(yōu)化問題的神經(jīng)網(wǎng)絡新解法，該方法充分利用導數(shù)信息，具有一定預測能力，能實時逼近問題正確解，從而突破了傳統(tǒng)梯度法不能有效求解時變問題的團境。2007年開始提出BP神經(jīng)網(wǎng)絡權(quán)值直接確定理論，用以克服傳統(tǒng)BP神經(jīng)網(wǎng)絡所固有的迭代時間長、迭代次數(shù)多、易陷入局部極小點和學習精度不高等諸多缺陷。該方法可在極短的時間內(nèi)（如毫秒級）一步計算得到網(wǎng)絡最優(yōu)權(quán)值，且網(wǎng)絡學習精度也大幅提高。

圖書目錄

第1章神經(jīng)網(wǎng)絡概述
§1.1 神經(jīng)網(wǎng)絡發(fā)展簡史
§1.2 神經(jīng)網(wǎng)絡的基本概念與構(gòu)成
§1.2.1 神經(jīng)元模型
§1.2.2 神經(jīng)網(wǎng)絡的構(gòu)成
§1.2.3 神經(jīng)網(wǎng)絡的功能層次
§1.3 神經(jīng)網(wǎng)絡學習算法與分類
§1.3.1 神經(jīng)網(wǎng)絡學習算法
§1.3.2 神經(jīng)網(wǎng)絡的分類
參考文獻
第2章數(shù)學基礎
§2.1 正交多項式基函數(shù)及性質(zhì)
§2.2 最佳逼近理論
§2.3 多元多項式逼近理論
§2.4 矩陣的偽逆及線性方程組求解
§2.5 傅立葉級數(shù)及逼近定理
§2.6 樣條插值
參考文獻
第3章 Chebyshev神經(jīng)網(wǎng)絡
§3.1 Chebyshev正交基函數(shù)
§3.2 Chebyshev神經(jīng)網(wǎng)絡建模
§3.2.1 單輸入Chebyshev神經(jīng)網(wǎng)絡及BP學習算法
§3.2.2 多輸入Chebyshev神經(jīng)網(wǎng)絡及BP學習算法
§3.3 正交基函數(shù)神經(jīng)網(wǎng)絡衍生學習算法
§3.4 Chebyshev神經(jīng)網(wǎng)絡仿真實驗與學習算法舉例
§3.5 Chebyshev神經(jīng)網(wǎng)絡硬件實現(xiàn)
§3.5.1 基于模擬電路的Chebyshev神經(jīng)網(wǎng)絡電路設計
§3.5.2 基于單片機的Chebyshev神經(jīng)網(wǎng)絡硬件實現(xiàn)
§3.5.3 Chebyshev神經(jīng)網(wǎng)絡模塊SN9701及其應用
§3.6 Chebyshev神經(jīng)網(wǎng)絡非線性預測
§3.6.1 Chebyshev神經(jīng)網(wǎng)絡預測模型
§3.6.2 Chebyshev神經(jīng)網(wǎng)絡預測原理
§3.6.3 仿真與預測
§3.7 基于混沌控制系統(tǒng)的Chebyshev神經(jīng)網(wǎng)絡異步加密算法
§3.7.1 基于混沌控制系統(tǒng)的Chebyshev神經(jīng)網(wǎng)絡建模
§3.7.2 CCNN異步加密算法設計
§3.7.3 加密實例與算法安全性分析
參考文獻
附錄
第4章 Legendre神經(jīng)網(wǎng)絡
§4.1 Legendre正交基函數(shù)及逼近定理
§4.2 Legendre神經(jīng)網(wǎng)絡建模
§4.3 Legendre神經(jīng)網(wǎng)絡在股票預測中的應用
§4.3.1 基于Legendre神經(jīng)網(wǎng)絡的預測模型
§4.3.2 Legenclre神經(jīng)網(wǎng)絡股票預測
§4.4 Legendre神經(jīng)網(wǎng)絡入侵檢測系統(tǒng)的實現(xiàn)
§4.4.1 數(shù)據(jù)樣本的收集與處理
§4.4.2 Legendre神經(jīng)網(wǎng)絡的訓練
§4.4.3 實驗結(jié)果
§4.5 基于XOR的Legendre混沌神經(jīng)網(wǎng)絡異步加密算法
§4.5.1 Legendre混沌神經(jīng)網(wǎng)絡設計
§4.5.2 LCNN“一次一密”異步加密算法設計
§4.5.3 加密實例
參考文獻
附錄
第5章 Hermite神經(jīng)網(wǎng)絡
§5.1 Hermite正交基函數(shù)及逼近定理
§5.2 Hermite神經(jīng)網(wǎng)絡建模及權(quán)值學習算法
§5.3 其他正交多項式基函數(shù)神經(jīng)網(wǎng)絡
§5.3.1 Laguerre多項式
§5.3.2 Jacobi多項式
§5.3.3 Gegenbauer多項式
§5.4 基于混沌序列的Hermite神經(jīng)網(wǎng)絡異步加密
§5.4.1 Hermite混沌神經(jīng)網(wǎng)絡設計
§5.4.2 基于HCNN的“一次一密”加密算法設計
§5.4.3 算法分析
§5.4.4 加密實例
參考文獻
附錄
第6章樣條神經(jīng)網(wǎng)絡
§6.1 樣條基函數(shù)神經(jīng)網(wǎng)絡建模
§6.2 樣條基函數(shù)神經(jīng)網(wǎng)絡的非線性對象仿真
參考文獻
附錄
第7章多輸入多項式神經(jīng)網(wǎng)絡
§7.1 多輸入多項式基函數(shù)神經(jīng)網(wǎng)絡引論
§7.2 多輸入多項式神經(jīng)網(wǎng)絡的構(gòu)造原理
§7.2.1 多輸入多項式基函數(shù)神經(jīng)元模型
§7.2.2 二輸入多項式神經(jīng)網(wǎng)絡模型
§7.3 網(wǎng)絡權(quán)值迭代和一步確定
§7.4 神經(jīng)網(wǎng)絡最優(yōu)拓撲結(jié)構(gòu)篩減算法原理
§7.4.1 多元多項式最佳均方逼近
§7.4.2 多輸入多項式神經(jīng)網(wǎng)絡模型
§7.4.3 神經(jīng)網(wǎng)絡篩減原理與算法設計
§7.4.4 仿真實例
§7.5 多輸入分片二次多項式神經(jīng)網(wǎng)絡
§7.5.1 二元函數(shù)分片光滑逼近
§7.5.2 二元多項式基函數(shù)神經(jīng)網(wǎng)絡建模
§7.5.3 二元二次多項式基函數(shù)神經(jīng)網(wǎng)絡仿真
§7.6 二元二次多項式神經(jīng)網(wǎng)絡在非線性MAC中的應用
§7.6.1 基于二元二次多項式神經(jīng)網(wǎng)絡MAC原理
§7.6.2 仿真研究
§7.7 多項式神經(jīng)網(wǎng)絡在機票收益預測中的應用
§7.7.1 機票定價的現(xiàn)狀
§7.7.2 機票定價的主要影響因素
§7.7.3 基于多項式神經(jīng)網(wǎng)絡的機票收益預測
參考文獻
附錄
第8章 Fourier神經(jīng)網(wǎng)絡
§8.1 Fourier神經(jīng)網(wǎng)絡建模與仿真
§8.2 E弦基函數(shù)神經(jīng)網(wǎng)絡濾波器設計
§8.2.1 FIR數(shù)字濾波器振幅特性
§8.2.2 正弦基函數(shù)神經(jīng)網(wǎng)絡建模及濾波器設計
§8.3 余弦基函數(shù)神經(jīng)網(wǎng)絡硬件實現(xiàn)
§8.3.1 余弦基函數(shù)神經(jīng)網(wǎng)絡模型
§8.3.2 余弦基函數(shù)神經(jīng)網(wǎng)絡硬件實現(xiàn)方法
參考文獻
附錄
第9章基函數(shù)神經(jīng)網(wǎng)絡統(tǒng)一模型
§9.1 人腦的結(jié)構(gòu)與功能
§9.1.1 右腦（本能腦·潛意識腦）
§9.1.2 左腦（意識腦）
§9.2 歐氏空間逼近論
§9.2.1 歐氏空間與Schmidt正交化
§9.2.2 歐氏空間Chebyshev最佳平方逼近
§9.2.3 任意函數(shù)的Chebyshev級數(shù)
§9.3 任意基函數(shù)神經(jīng)網(wǎng)絡統(tǒng)一建模
§9.3.1 基函數(shù)神經(jīng)網(wǎng)絡建模機理
§9.3.2 基函數(shù)神經(jīng)網(wǎng)絡通用模型及學習算法
§9.4 仿真實驗及兩類通用模型的比較
§9.5 任意基函數(shù)神經(jīng)網(wǎng)絡權(quán)值直接確定及仿真實驗
參考文獻
附錄