Sieci neuronowe do przetwarzania informacji
Stanisław Osowski
rok wydania: 2006 (wyd. II, poprawione i uzupełnione)
stron: 422 + CD
oprawa: miękka
format: B5
wydawnictwo: Politechnika Warszawska
W podręczniku przedstawiono podstawowe rodzaje sieci neuronowych do przetwarzania informacji. Omówiono algorytmy uczenia oraz odtwarzania takich sieci neuronowych, jak: perceptron wielowarstwowy, sieć kaskadowej korelacji, sieć radialna, sieci rekurencyjne, sieć koherenna, sieci typu SVM i inne. W pracy zamieszczono wyniki symulacji komputerowych różnych rodzajów sieci w zastosowaniach do przetwarzania informacji.
SPIS TREŚCI:
Przedmowa
1. Wstęp
1.1. Podstawy biologiczne działania neuronu
1.2. Pierwsze modele sieci neuronowej
1.3. Przegląd zastosowań sieci neuronowych
2. Modele neuronów i metody ich uczenia
2.1. Perceptron
2.2. Neuron sigmoidalny
2.3. Neuron radialny
2.4. Neuron typu adaline
2.5. Instar i outstar Grossberga
2.6. Neurony typu WTA
2.7. Model neuronu Hebba
2.8. Model stochastyczny neuronu
2.9. Zadania i problemy
3. Sieci jednokierunkowe wielowarstwowe typu sigmoidalnego
3.1. Sieć jednowarstwowa
3.2. Sieć wielowarstwowa perceptronowa
3.3. Grafy przepływowe w zastosowaniu do generacji gradientu
3.4. Algorytmy gradientowe uczenia sieci
3.5. Dobór współczynnika uczenia
3.6. Metody heurystyczne uczenia sieci
3.7. Program komputerowy MLP do uczenia sieci perceptronowej
3.8. Porównanie efektywności algorytmów uczących
3.9. Elementy optymalizacji globalnej
3.10. Metody inicjalizacji wag
3.11. Zadania i problemy
4. Problemy praktycznego wykorzystania sieci neuronowych
4.1. Zdolności generalizacyjne sieci neuronowych
4.2. Wstępny dobór architektury sieci
4.3. Dobór optymalnej architektury sieci pod względem generalizacji
4.4. Wtrącanie szumu do próbek uczących
4.5. Zwiększeni zdolności generalizacyjnych przez użycie wielu sieci
4.6. Przykłady zastosowań sieci perceptronowej
4.7. Zadania i problemy
5. Sieci neuronowe radialne
5.1. Podstawy matematyczne
5.2. Sieć neuronowa radialna
5.3. Metody uczenia sieci neuronowych radialnych
5.4. Metody doboru liczby funkcji bazowych
5.5. Program komputerowy uczenia sieci radialnych
5.6. Przykład zastosowania sieci radialnej w aproksymacji
5.7. Porównanie sieci radialnych z sieciami sigmoidalnymi
5.8. Zadania i problemy
6. Sieci SVM
6.1. Sieć liniowa SVM w zadaniu klasyfikacji
6.2. Interpretacja mnożników Lagrange'a w rozwiązywaniu sieci
6.3. Problem klasyfikacji przy wielu klasach
6.4. Sieci SVM do zadań regresji
6.5. Przegląd algorytmów rozwiązania zadania drugiego
6.6. Program komputerowy uczenia sieci SVM
6.7. Przykłady zastosowania sieci SVM
6.8. Porównanie sieci SVM z innymi rozwiązaniami neuronowymi
6.9. Zadania i problemy
7. Specjalizowane struktury sieci neuronowych
7.1. Sieć kaskadowej korelacji Fahlmana
7.2. Sieć Volterry
7.3. Zadania i problemy
8. Sieci rekurencyjne jako pamięci asocjacyjne
8.1. Wprowadzenie
8.2. Siec autoasocjacyjna Hopfielda
8.3. Sieć Hamminga
8.4. Sieć typu BAM
8.5. Zadania i problemy
9. Sieci rekurencyjne tworzone na podstawie perceptronu
9.1. Wprowadzenie
9.2. Sieć perceptronowi ze sprzężeniem zwrotnym
9.3. Sieć rekurencyjna Elmana
9.4. Sieć RTRN
9.5. Zadania i problemy
10. Sieci samoorganizujące się na zasadzie współzawodnictwa
10.1. Zależności podstawowe sieci samoorganizujących się przez współzawodnictwo
10.2. Algorytmy uczące sieci samoorganizujących
10.3. Sieć odwzorowań jedno- i dwuwymiarowych
10.4. Odwzorowanie Sammona
10.5. Zastosowania sieci samoorganizujących
10.6. Sieć hybrydowa
10.7. Zadania i problemy
11. Sieci samoorganizujące typu korelacyjnego
11.1. Funkcja energetyczna sieci korelacyjnych
11.2. Sieci neuronowe PCA
11.3. Sieci neuronowe do ślepej separacji sygnałów
11.4. Zadania i problemy
12. Podstawy matematyczne systemów rozmytych
12.1. Operacje na zbiorach rozmytych
12.2. Miary rozmytości zbiorów rozmytych
12.3. Rozmytość a prawdopodobieństwo
12.4. Reguły rozmyte wnioskowania
12.5. Systemy wnioskowania rozmytego Mamdaniego-Zadeha
12.6. Model wnioskowania Takagi-Sugeno-Kanga
12.7. Zadania i problemy
13. Sieci neuronowe rozmyte
13.1. Struktura sieci rozmytej TSK
13.2. Struktura sieci Wanga-Mendela
13.4. Algorytm samoorganizacji w zastosowaniu do uczenia sieci rozmytej
13.4. Generacja reguł wnioskowania sieci rozmytej
13.5. Algorytm hybrydowy uczenia sieci rozmytej TSK
13.6. Modyfikacje sieci TSK
13.7. Sieć hybrydowa rozmyta
13.8. Przykłady zastosowań sieci rozmytych
13.9. Adaptacyjny algorytm samoorganizacji dla sieci rozmytej
13.10. Zadania i problemy
Bibliografia
Skorowidz
