一.資料圖片

二.資料簡介

人工神經(jīng)網(wǎng)絡(luò)是由眾多連接權(quán)值可調(diào)的神經(jīng)元連接而成，具有大規(guī)模并行處理、分布式信息存儲、良好的自組織自學(xué)習(xí)能力等特點，能夠完成模式識別、機器學(xué)習(xí)以及預(yù)測趨勢等任務(wù)。 本書通過9章內(nèi)容，并結(jié)合Java編程語言，由淺入深地介紹了神經(jīng)網(wǎng)絡(luò)算法的應(yīng)用。書中涉及神經(jīng)網(wǎng)絡(luò)的構(gòu)建、神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)、感知機、自組織映射等核心概念，并將天氣預(yù)測、疾病診斷、客戶特征聚類、模式識別、神經(jīng)網(wǎng)絡(luò)優(yōu)化與自適應(yīng)等經(jīng)典案例囊括其中。本書在附錄中詳細地指導(dǎo)讀者進行開發(fā)環(huán)境的配置，幫助讀者更加順利地進行程序開發(fā)。 本書非常適合對神經(jīng)網(wǎng)絡(luò)技術(shù)感興趣的開發(fā)人員和業(yè)余讀者閱讀，讀者無需具備Java編程知識，也無需提前了解神經(jīng)網(wǎng)絡(luò)的相關(guān)概念。本書將從零開始為讀者進行由淺入深地講解。 人工神經(jīng)網(wǎng)絡(luò)是由眾多連接權(quán)值可調(diào)的神經(jīng)元連接而成，具有大規(guī)模并行處理、分布式信息存儲、良好的自組織自學(xué)習(xí)能力等特點，能夠完成模式識別、機器學(xué)習(xí)以及預(yù)測趨勢等任務(wù)。

本書通過9章內(nèi)容，并結(jié)合Java編程語言，由淺入深地介紹了神經(jīng)網(wǎng)絡(luò)算法的應(yīng)用。書中涉及神經(jīng)網(wǎng)絡(luò)的構(gòu)建、神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)、感知機、自組織映射等核心概念，并將天氣預(yù)測、疾病診斷、客戶特征聚類、模式識別、神經(jīng)網(wǎng)絡(luò)優(yōu)化與自適應(yīng)等經(jīng)典案例囊括其中。本書在附錄中詳細地指導(dǎo)讀者進行開發(fā)環(huán)境的配置，幫助讀者更加順利地進行程序開發(fā)。

本書非常適合對神經(jīng)網(wǎng)絡(luò)技術(shù)感興趣的開發(fā)人員和業(yè)余讀者閱讀，讀者無需具備Java編程知識，也無需提前了解神經(jīng)網(wǎng)絡(luò)的相關(guān)概念。本書將從零開始為讀者進行由淺入深地講解。

三.資料目錄

第1章初識神經(jīng)網(wǎng)絡(luò)1
1.1探索神經(jīng)網(wǎng)絡(luò)1
1.2為什么要用人工神經(jīng)網(wǎng)絡(luò)2
1.3神經(jīng)網(wǎng)絡(luò)的構(gòu)造3
1.3.1基礎(chǔ)元素——人工神經(jīng)元3
1.3.2賦予神經(jīng)元生命——激活函數(shù)4
1.3.3基礎(chǔ)值——權(quán)值5
1.3.4重要參數(shù)——偏置5
1.3.5神經(jīng)網(wǎng)絡(luò)組件——層5
1.4神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)6
1.4.1單層神經(jīng)網(wǎng)絡(luò)7
1.4.2多層神經(jīng)網(wǎng)絡(luò)7
1.4.3前饋神經(jīng)網(wǎng)絡(luò)8
1.4.4反饋神經(jīng)網(wǎng)絡(luò)8
1.5從無知到有識——學(xué)習(xí)過程8
1.6實踐神經(jīng)網(wǎng)絡(luò)9
1.7小結(jié)15
第2章神經(jīng)網(wǎng)絡(luò)是如何學(xué)習(xí)的16
2.1神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力16
2.2學(xué)習(xí)范式17
2.2.1監(jiān)督學(xué)習(xí)17
2.2.2無監(jiān)督學(xué)習(xí)18
2.3系統(tǒng)結(jié)構(gòu)——學(xué)習(xí)算法19
2.3.1學(xué)習(xí)的兩個階段——訓(xùn)練和測試20
2.3.2細節(jié)——學(xué)習(xí)參數(shù)21
2.3.3誤差度量和代價函數(shù)22
2.4學(xué)習(xí)算法示例22
2.4.1感知機22
2.4.2Delta規(guī)則23
2.5神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程的編碼23
2.5.1參數(shù)學(xué)習(xí)實現(xiàn)23
2.5.2學(xué)習(xí)過程24
2.5.3類定義26
2.6兩個實例33
2.6.1感知機（報警系統(tǒng)）34
2.6.2ADALINE（交通預(yù)測）37
2.7小結(jié)42
第3章運用感知機43
3.1學(xué)習(xí)感知機神經(jīng)網(wǎng)絡(luò)43
3.1.1感知機的應(yīng)用和局限性44
3.1.2線性分離44
3.1.3經(jīng)典XOR（異或）例子45
3.2流行的多層感知機（MLP）47
3.2.1MLP屬性48
3.2.2MLP權(quán)值49
3.2.3遞歸MLP50
3.2.4MLP在OOP范式中的結(jié)構(gòu)50
3.3有趣的MLP應(yīng)用51
3.3.1使用MLP進行分類51
3.3.2用MLP進行回歸53
3.4MLP的學(xué)習(xí)過程54
3.4.1簡單但很強大的學(xué)習(xí)算法——反向傳播55
3.4.2復(fù)雜而有效的學(xué)習(xí)算法——Levenberg–Marquardt57
3.5MLP實現(xiàn)58
3.5.1實戰(zhàn)反向傳播算法61
3.5.2探索代碼62
3.6Levenberg–Marquardt實現(xiàn)66
3.7實際應(yīng)用——新生入學(xué)68
3.8小結(jié)71
第4章自組織映射72
4.1神經(jīng)網(wǎng)絡(luò)無監(jiān)督學(xué)習(xí)方式72
4.2無監(jiān)督學(xué)習(xí)算法介紹73
4.3Kohonen自組織映射76
4.3.1一維SOM77
4.3.2二維SOM78
4.3.3逐步實現(xiàn)自組織映射網(wǎng)絡(luò)學(xué)習(xí)80
4.3.4如何使用SOM81
4.4Kohonen算法編程81
4.4.1探索Kohonen類84
4.4.2Kohonen實現(xiàn)（動物聚類）86
4.5小結(jié)88
第5章天氣預(yù)測89
5.1針對預(yù)測問題的神經(jīng)網(wǎng)絡(luò)89
5.2無數(shù)據(jù)，無神經(jīng)網(wǎng)絡(luò)——選擇數(shù)據(jù)91
5.2.1了解問題——天氣變量92
5.2.2選擇輸入輸出變量92
5.2.3移除無關(guān)行為——數(shù)據(jù)過濾93
5.3調(diào)整數(shù)值——數(shù)據(jù)預(yù)處理94
5.4Java實現(xiàn)天氣預(yù)測96
5.4.1繪制圖表96
5.4.2處理數(shù)據(jù)文件97
5.4.3構(gòu)建天氣預(yù)測神經(jīng)網(wǎng)絡(luò)98
5.5神經(jīng)網(wǎng)絡(luò)經(jīng)驗設(shè)計101
5.5.1選擇訓(xùn)練和測試數(shù)據(jù)集101
5.5.2設(shè)計實驗102
5.5.3結(jié)果和模擬103
5.6小結(jié)105
第6章疾病診斷分類106
6.1什么是分類問題，以及如何應(yīng)用神經(jīng)網(wǎng)絡(luò)106
6.2激活函數(shù)的特殊類型——邏輯回歸107
6.2.1二分類VS多分類109
6.2.2比較預(yù)期結(jié)果與產(chǎn)生結(jié)果——混淆矩陣109
6.2.3分類衡量——靈敏度和特異性110
6.3應(yīng)用神經(jīng)網(wǎng)絡(luò)進行分類111
6.4神經(jīng)網(wǎng)絡(luò)的疾病診斷114
6.4.1使用神經(jīng)網(wǎng)絡(luò)診斷乳腺癌114
6.4.2應(yīng)用神經(jīng)網(wǎng)絡(luò)進行早期糖尿病診斷118
6.5小結(jié)121
第7章客戶特征聚類122
7.1聚類任務(wù)123
7.1.1聚類分析123
7.1.2聚類評估和驗證124
7.1.3外部驗證125
7.2應(yīng)用無監(jiān)督學(xué)習(xí)125
7.2.1徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)125
7.2.2Kohonen神經(jīng)網(wǎng)絡(luò)126
7.2.3數(shù)據(jù)類型127
7.3客戶特征128
7.4Java實現(xiàn)129
7.5小結(jié)135
第8章模式識別（OCR案例）136
8.1什么是模式識別136
8.1.1定義大量數(shù)據(jù)中的類別137
8.1.2如果未定義的類沒有被定義怎么辦138
8.1.3外部驗證138
8.2如何在模式識別中應(yīng)用神經(jīng)網(wǎng)絡(luò)算法138
8.3OCR問題140
8.3.1簡化任務(wù)——數(shù)字識別140
8.3.2數(shù)字表示的方法140
8.4開始編碼141
8.4.1生成數(shù)據(jù)141
8.4.2構(gòu)建神經(jīng)網(wǎng)絡(luò)143
8.4.3測試和重新設(shè)計——試錯144
8.4.4結(jié)果145
8.5小結(jié)148
第9章神經(jīng)網(wǎng)絡(luò)優(yōu)化與自適應(yīng)149
9.1神經(jīng)網(wǎng)絡(luò)實現(xiàn)中的常見問題149
9.2輸入選擇150
9.2.1數(shù)據(jù)相關(guān)性150
9.2.2降維151
9.2.3數(shù)據(jù)過濾152
9.3結(jié)構(gòu)選擇152
9.4在線再訓(xùn)練154
9.4.1隨機在線學(xué)習(xí)155
9.4.2實現(xiàn)156
9.4.3應(yīng)用157
9.5自適應(yīng)神經(jīng)網(wǎng)絡(luò)159
9.5.1自適應(yīng)共振理論159
9.5.2實現(xiàn)160
9.6小結(jié)162
附錄ANetBeans環(huán)境搭建163
附錄BEclipse環(huán)境搭建175
附錄C參考文獻186

本文鏈接：http://fangxuan.com.cn/algorithm/519.html