本书系统地分析与提炼了深度学习的知识体系结构，按原理、框架、方法和应用的顺序组织内容，并以提高用深度学习原理来解决实际问题的能力为目标，集基础性、系统性、延展性、实践性等特于一体。（1）基础性：从问题导着手，对每种深度学习网络的基本结构，行深剖析，以帮助读者体会其中的细节，带领读者步深度学习网络的内核世界。（2）系统性：所涉及各种深度学习网络起始于原理剖析、侧重于方法论述、扎根于信号处理领域，内容结构系统。（3）延展性：按深度学习网络“基本模型结构原理、阶模型结构原理及应用模型结构原理”的顺序递延伸，扩大了其在信号处理领域的应用范围。（4）实践性：以*新应用成果为依托，从问题引、原理分析、模型建立、仿真实验及结果讨论等方面，详细分析实战案例，有助于读者自行实践。以上特有助于为研究人员提供新思路和新方法。
售 价：¥
纸质售价：¥96.70购买纸书
6.3
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
前折页
书名页
版权
前言
第1章 初识深度学习
1.1 深度学习有多深
1.1.1 深度学习概念
1.1.2 深度学习发展
1.2 深度学习如何学
1.2.1 机器学习的一般方法
1.2.2 深度学习的一般方法
1.3 深度学习如何提速
1.3.1 基于冯·诺依曼结构的加速芯片
1.3.2 基于人脑神经元结构的加速芯片
1.4 主流深度学习框架
1.5 本书内容与体系结构
第2章 人工神经网络
2.1 神经网络演进
2.1.1 神经元
2.1.2 单层神经网络（感知器）
2.1.3 两层神经网络（多层感知器）
2.1.4 偏置单元
2.2 神经网络训练与预测
2.2.1 神经网络训练
2.2.2 神经网络预测
2.3 优化算法
2.3.1 梯度下降法
2.3.2 梯度下降法的变体
2.3.3 优化梯度下降算法
2.4 计算图
2.4.1 计算图含义
2.4.2 Affine层/Softmax层的计算图
2.4.3 激活函数的计算图
2.5 正则化惩罚项
2.5.1 参数范数惩罚
2.5.2 L2参数正则化
2.5.3 L1参数正则化
2.6 神经网络BP算法
2.6.1 BP算法思想
2.6.2 BP网络特性分析——BP三要素
2.7 过拟合与欠拟合
2.7.1 基本概念
2.7.2 以减少特征变量方法防止过拟合
2.7.3 以权重正则化方法防止过拟合
2.7.4 以交叉验证方式防止过拟合
2.7.5 以Dropout正则化防止过拟合
2.7.6 贝叶斯正则化
2.8 实例1：基于前馈神经网络的动量盲均衡算法
2.8.1 算法原理
2.8.2 仿真实验与结果分析
第3章 模糊神经网络
3.1 隶属函数
3.1.1 专家调查法
3.1.2 模糊统计法
3.1.3 二元对比排序法
3.1.4 模糊分布
3.1.5 确定隶属函数的注意事项
3.2 常规模糊神经网络
3.3 模糊联想记忆神经网络
3.3.1 模糊逻辑
3.3.2 模糊联想记忆系统
3.3.3 自适应模糊联想记忆系统
3.4 神经模糊推理系统
3.5 神经网络近似逻辑
3.6 实例2：基于智能模糊神经网络的导弹防御系统未知飞行目标识别方法
3.6.1 问题描述
3.6.2 雷达回波信号产生
3.6.3 智能模糊神经网络
3.6.4 构建训练数据
3.6.5 仿真实验与结果分析
第4章 概率神经网络
4.1 模式分类的贝叶斯判定策略
4.2 密度估计的一致性
4.3 概率神经网络
4.4 贝叶斯阴阳系统理论
4.5 实例3：基于离散余弦变换和概率神经网络的脑肿瘤分类方法
4.5.1 离散余弦变换与概率神经网络
4.5.2 仿真实验与结果分析
第5章 小波神经网络
5.1 小波理论
5.1.1 小波变换
5.1.2 多分辨率分析
5.2 小波神经网络
5.2.1 前置小波神经网络
5.2.2 嵌入小波神经网络
5.3 小波神经网络训练架构
5.4 小波神经网络优化方法
5.4.1 小波神经网络学习算法优化
5.4.2 小波基函数优化
5.4.3 小波神经网络结构优化
5.5 实例4：基于嵌入小波神经网络的常模盲均衡算法
5.5.1 算法描述
5.5.2 仿真实验与结果分析
第6章 卷积神经网络
6.1 卷积神经网络结构
6.1.1 基本概念
6.1.2 输入层
6.1.3 卷积层
6.1.4 激励层
6.1.5 池化层
6.1.6 输出层（全连接层）
6.1.7 维度变化过程
6.2 卷积神经网络
6.3 卷积操作的变种
6.3.1 深度可分离卷积操作
6.3.2 空洞卷积
6.3.3 3D卷积
6.3.4 分组卷积
6.3.5 转置卷积
6.3.6 平铺卷积
6.3.7 卷积运算的核心思想
6.4 池化操作的变种
6.4.1 随机池化
6.4.2 双线性池化
6.4.3 非池化
6.4.4 全局平均/最大池化
6.4.5 空间金字塔池化
6.4.6 多尺度重叠滑动池化
6.5 常见的几种卷积神经网络结构
6.5.1 LeNet-5模型
6.5.2 VGGNet模型
6.5.3 ResNets模型
6.5.4 DenseNets模型
6.5.5 AlexNet模型
6.5.6 Inception模型
6.5.7 Xception模型
6.6 几种拓展的卷积神经网络结构
6.6.1 特征融合卷积神经网络结构
6.6.2 深度引导滤波网络结构
6.7 实例5：基于深度卷积神经网络的遥感图像分类
6.7.1 遥感图像识别的卷积神经网络基本框架
6.7.2 基于改进Alexnet网络的遥感图像分类
6.7.3 仿真实验与结果分析
6.8 实例6：基于深度卷积神经网络的运动模糊去除
6.8.1 多尺度策略在神经网络中的运用
6.8.2 基于深度卷积神经网络的运动模糊去除方法
6.8.3 实验结果和对比分析
6.8.4 实验结果与对比分析
第7章 深度生成对抗网络
7.1 生成对抗网络原理
7.1.1 网络结构
7.1.2 实现架构
7.2 条件生成对抗网络
7.2.1 自注意力机制条件生成对抗网络
7.2.2 基于条件生成对抗网络的模型化强化学习
7.3 小波生成对抗网络
7.3.1 深度卷积生成对抗网络
7.3.2 小波深度卷积生成对抗网络
7.3.3 高频小波生成对抗网络
7.4 多尺度生成对抗网络
7.4.1 湍流退化图像
7.4.2 多尺度GAN
7.5 实例7：基于条件生成对抗网络的三维肝脏及肿瘤区域自动分割
7.5.1 肝脏肿瘤分割框架
7.5.2 仿真实验与结果分析
7.6 实例8：基于深度残差生成对抗网络的运动模糊图像复原
7.6.1 深度残差生成对抗网络
7.6.2 仿真实验与结果分析
第8章 深度受限玻尔兹曼机
8.1 玻尔兹曼机
8.1.1 BM网络结构及运行原理
8.1.2 网络能量函数与搜索机制
8.1.3 玻尔兹曼分布
8.1.4 玻尔兹曼机学习算法
8.1.5 玻尔兹曼机的运行步骤
8.2 稀疏受限玻尔兹曼机及竞争学习
8.2.1 受限玻尔兹曼机及稀疏受限玻尔兹曼机
8.2.2 竞争学习
8.2.3 竞争型深度稀疏受限玻尔兹曼机
8.3 分类受限玻尔兹曼机与改进模型
8.3.1 分类受限玻尔兹曼机
8.3.2 改进模型
8.4（2D）^2PCA受限玻尔兹曼机
8.4.1（2D）^2PCA图像分类RBM网络
8.4.2（2D）^2PCA图像分类RBM并行化实现
8.5 实例9：受限玻尔兹曼机的步态特征提取及其识别
8.5.1 基于受限玻尔兹曼机的步态特征提取
8.5.2 仿真实验与结果分析
第9章 深度信念网络
9.1 深度信念网络概述
9.1.1 常规DBM网络
9.1.2 稀疏深度信念网络
9.2 Gamma深度信念网络
9.2.1 Gamma深度信念网络结构
9.2.2 Gibbs向上向下采样
9.3 自适应深度信念网络
9.3.1 动量更新规则
9.3.2 Nadam算法优化深度信念网络
9.4 KPCA深度信念网络
9.4.1 核主成分分析法
9.4.2 基于KPCA分析的深度信念网络模型
9.5 全参数动态学习深度信念网络
9.6 深度信念网络优化
9.6.1 混沌免疫算法优化深度信念网络
9.6.2 粒子群算法优化深度信念网络
9.7 实例10：基于贪婪方法的深度信念网络诊断注意缺陷多动障碍
9.7.1 基于贪婪方法的深度信念网络
9.7.2 仿真实验与结果分析
第10章 深度自编码器
10.1 自编码器
10.2 稀疏自适应编码器
10.3 变分自编码器
10.3.1 变分自编码理论
10.3.2 堆叠变分自编码器
10.3.3 深度卷积变分自编码器
10.4 自编码回声状态网络
10.4.1 回声状态网络
10.4.2 自编码回声状态网络模型建立
10.5 深度典型相关稀疏自编码器
10.5.1 深度典型相关分析
10.5.2 堆砌稀疏自编码器
10.5.3 DCCSAE
10.6 条件双重对抗自编码网络
10.6.1 CDAAE模型
10.6.2 算法原理
10.7 自编码应用模型
10.7.1 基于互信息稀疏自编码的软测量模型
10.7.2 基于深度自编码网络的模糊推理模型
10.7.3 基于特征聚类的快速稀疏自编码模型
10.7.4 基于栈式降噪稀疏自编码器的极限学习机
10.8 实例11：基于改进LDA和自编码器的调制识别算法
10.8.1 特征提取
10.8.2 算法设计
10.8.3 仿真实验与结果分析
参考文献
后折页
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
