|
|
|
本書分析研究了深度學習相關的網路模型，以及不同網路模型的演算法結構、原理與核心思想及實戰案例。主要內容涉及人工神經網路、模糊神經網路、概率神經網路、小波神經網路、卷積神經網路及其擴展模型、深度生成對抗網路及其擴展模型、深度受限玻爾茲曼機及其擴展模型、深度信念網路及其擴展模型、深度自編碼器及其擴展模型等深度學習網路結構、原理與方法。通過深度學習網路在通道盲均衡、目標識別、圖像分類和運動模糊去除、特徵提取與識別、缺陷早期診斷等領域中的應用案例，為讀者提供應用深度學習網路解決具體問題的思路和方法。
本書適合人工智慧、電腦、自動化、電子與通信、大資料科學等相關學科專業的科學研究人員和工程技術人員閱讀，也可作為相關專業博士、碩士研究生的參考書。
前言
第1章初識深度學習1
1.1深度學習有多深1
1.2深度學習如何學4
1.3深度學習如何提速5
1.4主流深度學習框架12
1.5本書內容與體系結構13
第2章人工神經網路15
2.1神經網路演進15
2.2神經網路訓練與預測22
2.3優化演算法23
2.4計算圖30
2.5正則化懲罰項36
2.6神經網路BP演算法39
2.7過擬合與欠擬合43
2.8實例1：基於前饋神經網路的動量盲均衡演算法52
第3章模糊神經網路58
3.1隸屬函數59
3.2常規模糊神經網路66
3.3模糊聯想記憶神經網路67
3.4神經模糊推理系統70
3.5神經網路近似邏輯72
3.6實例2：基於智慧模糊神經網路的導彈防禦系統未知飛行目標識別方法73
第4章概率神經網路85
4.1模式分類的貝葉斯判定策略85
4.2密度估計的一致性86
4.3概率神經網路87
4.4貝葉斯陰陽系統理論90
4.5實例3：基於離散余弦變換和概率神經網路的腦腫瘤分類方法91
第5章小波神經網路97
5.1小波理論97
5.2小波神經網路101
5.3小波神經網路訓練架構106
5.4小波神經網路優化方法107
5.5實例4：基於嵌入小波神經網路的常模盲均衡演算法110
第6章卷積神經網路116
6.1卷積神經網路結構116
6.2卷積神經網路128
6.3卷積操作的變種129
6.4池化操作的變種137
6.5常見的幾種卷積神經網路結構145
6.6幾種拓展的卷積神經網路結構158
6.7實例5：基於深度卷積神經網路
的遙感圖像分類162
6.8實例6：基於深度卷積神經網路的運動模糊去除170
第7章深度生成對抗網路181
7.1生成對抗網路原理181
7.3小波生成對抗網路190
7.4多尺度生成對抗網路196
7.5實例7：基於條件生成對抗網路的三維肝臟及腫瘤區域自動分割200
7.6實例8：基於深度殘差生成對抗網路的運動模糊圖像復原208
第8章深度受限玻爾茲曼機216
8.1玻爾茲曼機216
8.2稀疏受限玻爾茲曼機及競爭學習220
8.3分類受限玻爾茲曼機與改進模型226
8.4 (2D)2PCA受限玻爾茲曼機230
8.5實例9：受限玻爾茲曼機的步態特徵提取及其識別232
第9章深度信念網路238
9.1深度信念網路概述238
9.2 Gamma深度信念網路243
9.3自我調整深度信念網路246
9.4 KPCA深度信念網路248
9.5全參數動態學習深度信念網路250
9.6深度信念網路優化252
9.7實例10：基於貪婪方法的深度信念網路診斷注意缺陷多動障礙259
第10章深度自編碼器264
10.1自編碼器264
10.2稀疏自我調整編碼器267
10.3變分自編碼器268
10.4自編碼回聲狀態網路274
10.5深度典型相關稀疏自編碼器277
10.6條件雙重對抗自編碼網路280
10.7自編碼應用模型283
10.8實例11：基於改進LDA和自編碼器的調製識別演算法296
參考文獻303
