神经网络在应用科学和工程中的应用--从基本原理到复杂的模式识别
- 定价:¥88.00
- 校园优惠价:¥77.44 (88折) (马上了解)
- 评分:




(已有1条评价)
- 促销活动:
- 此商品暂时缺货(可留下联系方式,到货将第一时间通知您)
-
如果您急需团购,可点击“团购急调”按钮将此书加入购物车,由客服人员为您协调调货!
>> 查看详细说明
信息提示
关闭
如果您急需团购,可点击“团购急调”按钮将此书加入购物车,由我们的客服人员为您协调调货!
- 团购订单标准如下:
- 单品满30册可选择团购服务。
- 提交团购订单后,服务人员会主动和您联系,并根据您的会员等级、购买数量、金额、时间、配送要求等情况和您协商,以促成最终的成交。
- 有关团体购书的任何问题请随时联系:(010)63970506
基本信息
- 原书名:Neural Networks for Applied Sciences and Engineering: From Fundamentals to Complex Pattern Recognition
- 原出版社: AUERBACH
内容简介
书籍 计算机书籍
本书是研究神经网络对科学数据进行模式识别的一种探索,主要介绍了神经网络的基本概念,并以图示的形式用大量的实例和个案研究结合计算机仿真对神经网络用于模式识别的各种方法进行阐述与对比。本书所涉及的学科领域包括生物学、经济学、应用科学、工程、计算和商业等,研究了神经网络在线性和非线性预报、分类、聚类和预测方面的应用,并对模型开发的所有阶段和结果进行了阐述,包括数据预处理、数据维数约简、输人选择、模型开发和验证、模型不确定性评估以及对输入、误差和模型参数的灵敏度分析。本书内容清晰明了,并结合了大量实例使得全书更加容易理解。.
本书适合作为高等院校相关专业的大学生、研究生的教材及有关研究人员的参考用书。...
作译者
Sandhya Samarasinghe在俄罗斯的Lumumba大学获得机械工程的理学硕士(Hons),在美国的VirpniaTech获得了工程学硕士和博士学位。目前她是新西兰林肯大学自然工程系的高级讲师,并成为先进计算解决方案中心的奠基人之一。她的研究包括神经网络、统计学、软计算和人工智能、统计学方法、计算机视觉的利用,以及用于解决工程学、生物学、经济学、环境和自然系统及应用科学的实际问题的复杂系统建模。Samarasinshe博士参与了很多领域的科学与工业项目,并且在那些领域的国际期刊和国际会议上发表了很多文章。她在神经网络方面的研究重点包括理论理解与进展和实践应用。她参与了许多国家和国际基金组织的资助申请评审、杂志文章的评审、组织国际会议,并且是编委会成员。她还曾经在美国斯坦福大学、普林斯顿大学及澳大利亚国家科学和工业研究组织(CSIRO)做过巡讲。...
目录
译者序.
前言
致谢
作者简介
第1章 从数据到模型:理解生物学、生态学和自然系统的复杂性和挑战
1.1 概述
1.2 本书安排
参考文献
第2章 神经网络基础和线性数据分析模型
2.1 概述
2.2 神经网络及其能力
2.3 生物学的启示
2.4 神经元信息处理的建模
2.5 神经元模型和学习策略
2.6 小结
习题
参考文献
第3章 用于非线性模式识别的神经网络
3.1 概述
3.2 非线性神经元
3.3 单输入多层非线性网络
3.4 两输入的多层感知器网络
3.5 用非线性多层感知器网络为多维数据建模
3.6 小结
习题
参考文献
第4章 神经网络对非线性模式的学习
4.1 概述
4.2 非线性模式识别中网络的监督训练
4.3 梯度下降法和误差最小化
4.4 BP学习
4.5 delta-bar-deha学习方法
4.6 最速下降法
4.7 误差最小和权值最优的二阶方法
4.8 小结
习题
参考文献
第5章 从数据中抽取可靠模式的神经网络模型的实现
5.1 概述
5.2 偏差-方差折中
5.3 改善神经网络的泛化
5.4 通过修剪减小网络结构的复杂性
5.5 网络对权值扰动的鲁棒性
5.6 小结
习题
参考文献
第6章 数据探测、维数约简和特征提取
6.1 概述
6.2 数据可视化
6.3 变量间的相关性与协方差
6.4 数据的规范化
6.5 选择相关输入
6.6 维数约简与特征析取
6.7 异常点检测
6.8 噪声
6.9 个案研究:阐述一个实际问题的输入选择和维数约简..
6.10 小结
习题
参考文献
第7章 使用贝叶斯统计的神经网络模型的不确定性评估
7.1 概述
7.2 利用贝叶斯统计评估权值的不确定性
7.3 使用贝叶斯统计评估神经网络输出的不确定性
7.4 评估网络输出对输入的灵敏度
7.5 小结
习题
参考文献
第8章 应用自组织映射的方法发现数据中的未知聚类
8.1 概述
8.2 无监督网络的结构
8.3 无监督网络的学习过程
8.4 竞争学习过程的实施
8.5 自组织特性映射
8.6 进化的自组织映射
8.7 小结
习题
参考文献
第9章 神经网络在时间序列预测中的应用
9.1 概述
9.2 应用统计模型和神经网络模型进行时间序列线性预测
9.3 用于非线性时间序列预测的神经网络
9.4 混合线性(ARIMA)和非线性神经网络模型
9.5 运用最简化结构概念进行网络结构的自泛化
9.6 广义神经网络
9.7 动态驱动递归网络
9.8 时间序列预测中的偏差和方差
9.9 长期预测
9.10 时间序列预测的输入选择
9.11 小结
习题
参考文献
附录
A.1 线性代数、向量、矩阵
A.2 矩阵
参考文献...