内容简介

《神经网络在应用科学与工程中的应用:从基本原理到复杂的模式识别》为读者提供了神经网络方面简单但却系统的介绍。

《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》以神经网络在科学数据分析中所扮演角色的介绍性讨论作为开始，给出了神经网络的基本概念。《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》首先对用于实际数据分析的神经网络结构进行了综合概述，继而对线性网络进行了大量的介绍，并介绍了所有处理阶段的用于非线性预报和分类的多层感知器。此外，还通过实际例子和个案研究阐述了模型开发技术。后面章节又提出了用于非线性数据聚类的自组织映射、用于线性或非线性时间序列预测的递归网络和适用于科学数据分析的其他类型的网络。

《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》通过使用广泛的图示和多学科的内容以一种更容易理解的形式，填补了市场上神经网络用于多维科学数据的空白，并将神经网络与统计学联系了起来。

国际视野，科技前沿。

国际电气工程先进技术译丛，传播国际最新技术成果，搭建电气工程技术平台。

《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》特点：

◆在多学科领域解释了神经网络；

◆为了易于理解，使用了大量图例来解释复杂数据概念；

◆深入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；

◆阐述了模型开发的所有阶段和结果的解释，包括数据预处理，数据维数约简，输入选择，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。

作品目录

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
2.5.1　作为一个简单分类器的阈值神经元
2.5.2　神经元和神经集合的学习模型
2.5.2.1　Hebbian学习
2.5.2.2　无监督学习或竞争学习
2.5.2.3　有监督学习
2.5.3　作为分类器的有监督学习的感知器
2.5.3.1　感知器学习算法
2.5.3.2　基于大量现实数据集的感知器实例：根据测定的成长年轮直径辨识鱼的起源
2.5.3.3　统计学中带有线性判别函数分析的感知器比较
2.5.3.4　多种类分类中的多输出感知器
2.5.3.5　使用感知器的高维分类
2.5.3.6　感知器小结
2.5.4　用于线性分类和预报的线性神经元
2.5.4.1　利用delta规则的学习
2.5.4.2　作为分类器的线性神经元
2.5.4.3　作为预报能力子集的线性神经元的分类属性
2.5.4.4　实例：作为预报器的线性神经元
2.5.4.5　线性预报的实例：预报一个家庭的热流
2.5.4.6　线性神经元模型与线性回归的比较
2.5.4.7 实例：多输入线性神经元模型——提高一个家庭的热流预报精确度
2.5.4.8　一个多输入线性神经元与多重线性回归的比较
2.5.4.9　多线性神经元模型
2.5.4.10　多重线性神经网络与正则相关性分析的比较
2.5.4.11　线性神经元和线性网络小结
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
3.2.1　神经元激励函数
3.2.1.1 S形函数
3.2.1.2高斯函数
3.2.2　实例：利用非线性神经元对人口增长建模
3.2.3　非线性神经元与非线性回归分析的比较
3.3　单输入多层非线性网络
3.3.1　用单一非线性隐含层神经元处理
3.3.2　实例：用多非线性神经元建立循环现象模型
3.3.2.1　实例1：逼近一个方波
3.3.2.2　实例2：为物种的季节性迁移建立模型
3.4　两输入的多层感知器网络
3.4.1　用非线性神经元处理二维输入
3.4.2　网络输出
3.4.3　实例：二维预报和分类
3.4.3.1　实例1：二维非线性函数逼近
3.4.3.2　实例2：二维非线性分类模型
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
4.4.1　实例：BP训练——手工计算
……
第5章　从数据中抽取可靠模式的神经网络模型的实现
第6章　数据探测、维数约简和特征提取
第7章　使用贝叶斯统计的神经网络模型的不确定性评估
第8章　应用自组织映射的方法发现数据中的未知聚类
第9章　神经网络在时间序列预测中的应用
附录
· · · · · ·

作者简介

本书提供作译者介绍

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。