神經網絡在應用科學和工程中的應用（簡體書）

本書是研究神經網絡對科學數據進行模式識別的一種探索，主要介紹了神經網絡的基本概念，并以圖示的形式用大量的實例和個案研究結合計算機仿真對神經網絡用于模式識別的各種方法進行闡述與對比。本書所涉及的學科領域包括生物學、經濟學、應用科學、工程、計算和商業等，研究了神經網絡在線性和非線性預報、分類、聚類和預測方面的應用，并對模型開發的所有階段和結果進行了闡述，包括數據預處理、數據維數約簡、輸人選擇、模型開發和驗證、模型不確定性評估以及對輸入、誤差和模型參數的靈敏度分析。本書內容清晰明了，并結合了大量實例使得全書更加容易理解。
本書適合作為高等院校相關專業的大學生、研究生的教材及有關研究人員的參考用書。

本書提供作譯者介紹 Sandhya Samarasinghe在俄羅斯的Lumumba大學獲得機械工程的理學碩士(Hons)，在美國的VirpniaTech獲得了工程學碩士和博士學位。目前她是新西蘭林肯大學自然工程系的高級講師，并成為先進計算解決方案中心的奠基人之一。她的研究包括神經網絡、統計學、軟計算和人工智能、統計學方法、計算機視覺的利用，以及用于解決工程學、生物學、經濟學、環境和自然系統及應用科學的實際問題的復雜系統建模。Samarasinshe博士參與了很多領域的科學與工業項目，并且在那些領域的國際期刊和國際會議上發表了很多文章。

譯者序
前言
致謝
作者簡介
第1章 從數據到模型：理解生物學、生態學和自然系統的復雜性和挑戰
1.1　概述
1.2　本書安排
參考文獻
第2章　神經網絡基礎和線性數據分析模型
　2.1　概述
　2.2　神經網絡及其能力
　2.3　生物學的啟示
　2.4　神經元信息處理的建模
　2.5　神經元模型和學習策略
2.5.1　作為一個簡單分類器的閾值神經元
2.5.2　神經元和神經集合的學習模型
2.5.2.1　Hebbian學習
2.5.2.2　無監督學習或競爭學習
2.5.2.3　有監督學習
2.5.3　作為分類器的有監督學習的感知器
2.5.3.1　感知器學習算法
2.5.3.2　基於大量現實數據集的感知器實例：根據測定的成長年輪直徑辨識魚的起源
2.5.3.3　統計學中帶有線性判別函數分析的感知器比較
2.5.3.4　多種類分類中的多輸出感知器
2.5.3.5　使用感知器的高維分類
2.5.3.6　感知器小結
2.5.4　用于線性分類和預報的線性神經元
2.5.4.1　利用delta規則的學習
2.5.4.2　作為分類器的線性神經元
2.5.4.3　作為預報能力子集的線性神經元的分類屬性
2.5.4.4　實例：作為預報器的線性神經元
2.5.4.5　線性預報的實例：預報一個家庭的熱流
2.5.4.6　線性神經元模型與線性回歸的比較
2.5.4.7 實例：多輸入線性神經元模型——提高一個家庭的熱流預報精確度
2.5.4.8　一個多輸入線性神經元與多重線性回歸的比較
2.5.4.9　多線性神經元模型
2.5.4.10　多重線性神經網絡與正則相關性分析的比較
2.5.4.11　線性神經元和線性網絡小結
　2.6　小結
　習題
　參考文獻
第3章　用于非線性模式識別的神經網絡
　3.1　概述
　3.2　非線性神經元
3.2.1　神經元激勵函數
3.2.1.1 S形函數
3.2.1.2高斯函數
3.2.2　實例：利用非線性神經元對人口增長建模
3.2.3　非線性神經元與非線性回歸分析的比較
　3.3　單輸入多層非線性網絡
3.3.1　用單一非線性隱含層神經元處理
3.3.2　實例：用多非線性神經元建立循環現象模型
3.3.2.1　實例1：逼近一個方波
3.3.2.2　實例2：為物種的季節性遷移建立模型
3.4　兩輸入的多層感知器網絡
3.4.1　用非線性神經元處理二維輸入
3.4.2　網絡輸出
3.4.3　實例：二維預報和分類
3.4.3.1　實例1：二維非線性函數逼近
3.4.3.2　實例2：二維非線性分類模型
3.5　用非線性多層感知器網絡為多維數據建模
3.6　小結
習題
參考文獻
第4章　神經網絡對非線性模式的學習
4.1　概述
4.2　非線性模式識別中網絡的監督訓練
4.3　梯度下降法和誤差最小化
4.4　BP學習
4.4.1　實例：BP訓練——手工計算
　……
第5章　從數據中抽取可靠模式的神經網絡模型的實現
第6章　數據探測、維數約簡和特徵提取
第7章　使用貝葉斯統計的神經網絡模型的不確定性評估
第8章　應用自組織映射的方法發現數據中的未知聚類
第9章　神經網絡在時間序列預測中的應用
附錄