掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度學習,優化與識別 版權信息
- ISBN：9787302473671
- 條形碼：9787302473671 ; 978-7-302-47367-1
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習,優化與識別 本書特色
深度神經網絡是近年來受到廣泛關注的研究方向，它已成為人工智能2.0的主要組成部分。本書系統地論述了深度神經網絡基本理論、算法及應用。全書共十六章，分為兩個部分；*部分（*章到第十章）系統論述了理論及算法，包括深度前饋神經網絡、深度卷積神經網絡、深度堆棧神經網絡、深度遞歸神經網絡、深度生成網絡、深度融合網絡等；第二部分（第十一章到第十五章）論述了常用的深度學習平臺，以及在高光譜圖像、自然圖像、SAR與極化SAR影像等領域的應用；第十六章為總結與展望，給出了深度學習發展的歷史圖、前沿方及*進展。每章都附有相關閱讀材料及仿真代碼，以便有興趣的讀者進一步鉆研探索。 本書可為高等院校計算機科學、電子科學與技術、信息科學、控制科學與工程、人工智能等領域的研究人員提供參考，以及作為相關專業本科生及研究生教學參考書，同時可供深度學習及其應用感興趣的研究人員和工程技術人員參考。
深度學習,優化與識別 內容簡介
1） 系統講解深度神經網絡的基礎理論與算法，包括深度前饋神經網絡、深度卷積神經網絡、深度堆棧神經網絡、深度遞歸神經網絡、深度生成網絡、深度融合網絡等。七個G資源請加QQ群196832021獲取2） 系統論述常用深度學習平臺在高光譜圖像、自然圖像、SAR與極化SAR影響等領域的典型應用。3）展望深度學習發展的歷史圖、前沿方向及*進展。
深度學習,優化與識別 目錄
目錄
第1章深度學習基礎
1.1數學基礎
1.1.1矩陣論
1.1.2概率論
1.1.3優化分析
1.1.4框架分析
1.2稀疏表示
1.2.1稀疏表示初步
1.2.2稀疏模型
1.2.3稀疏認知學習、計算與識別的范式
1.3機器學習與神經網絡
1.3.1機器學習
1.3.2神經網絡
參考文獻
第2章深度前饋神經網絡
2.1神經元的生物機理
2.1.1生物機理
2.1.2單隱層前饋神經網絡
2.2多隱層前饋神經網絡
2.3反向傳播算法
2.4深度前饋神經網絡的學習范式
參考文獻
第3章深度卷積神經網絡
3.1卷積神經網絡的生物機理及數學刻畫
3.1.1生物機理
3.1.2卷積流的數學刻畫
3.2深度卷積神經網絡
3.2.1典型網絡模型與框架
3.2.2學習算法及訓練策略
3.2.3模型的優缺點分析
3.3深度反卷積神經網絡
3.3.1卷積稀疏編碼
3.3.2深度反卷積神經網絡
3.3.3網絡模型的性能分析與應用舉例
3.4全卷積神經網絡
3.4.1網絡模型的數學刻畫
3.4.2網絡模型的性能分析及應用舉例
參考文獻
第4章深度堆棧自編碼網絡
4.1自編碼網絡
4.1.1逐層學習策略
4.1.2自編碼網絡
4.1.3自編碼網絡的常見范式
4.2深度堆棧網絡
4.3深度置信網絡/深度玻爾茲曼機網絡
4.3.1玻爾茲曼機/受限玻爾茲曼機
4.3.2深度玻爾茲曼機/深度置信網絡
參考文獻
第5章稀疏深度神經網絡
5.1稀疏性的生物機理
5.1.1生物視覺機理
5.1.2稀疏性響應與數學物理描述
5.2稀疏深度網絡模型及基本性質
5.2.1數據的稀疏性
5.2.2稀疏正則
5.2.3稀疏連接
5.2.4稀疏分類器設計
5.2.5深度學習中關于稀疏的技巧與策略
5.3網絡模型的性能分析
5.3.1稀疏性對深度學習的影響
5.3.2對比試驗及結果分析
參考文獻
第6章深度融合網絡
6.1深度SVM網絡
6.1.1從神經網絡到SVM
6.1.2網絡模型的結構
6.1.3訓練技巧
6.2深度PCA網絡
6.3深度ADMM網絡
6.4深度極限學習機
6.4.1極限學習機
6.4.2深度極限學習機
6.5深度多尺度幾何網絡
6.5.1深度脊波網絡
6.5.2深度輪廓波網絡
6.6深度森林
6.6.1多分辨特性融合
6.6.2級聯特征深度處理
參考文獻
第7章深度生成網絡
7.1生成式對抗網絡的基本原理
7.1.1網絡模型的動機
7.1.2網絡模型的數學物理描述
7.2深度卷積對抗生成網絡
7.2.1網絡模型的基本結構
7.2.2網絡模型的性能分析
7.2.3網絡模型的典型應用
7.3深度生成網絡模型的新范式
7.3.1生成式對抗網絡的新范式
7.3.2網絡框架的性能分析與改進
7.4應用驅動下的兩種新生成式對抗網絡
7.4.1堆棧生成式對抗網絡
7.4.2對偶學習范式下的生成式對抗網絡
7.5變分自編碼器
參考文獻
第8章深度復卷積神經網絡與深度二值神經網絡
8.1深度復卷積神經網絡
8.1.1網絡模型構造的動機
8.1.2網絡模型的數學物理描述
8.2深度二值神經網絡
8.2.1網絡基本結構
8.2.2網絡的數學物理描述
8.2.3討論
參考文獻
第9章深度循環和遞歸神經網絡
9.1深度循環神經網絡
9.1.1循環神經網絡的生物機理
9.1.2簡單的循環神經網絡
9.1.3深度循環神經網絡的數學物理描述
9.2深度遞歸神經網絡
9.2.1簡單的遞歸神經網絡
9.2.2深度遞歸神經網絡的優勢
9.3長短時記憶神經網絡
9.3.1改進動機分析
9.3.2長短時記憶神經網絡的數學分析
9.4典型應用
9.4.1深度循環神經網絡的應用舉例
9.4.2深度遞歸神經網絡的應用舉例
參考文獻
第10章深度強化學習
10.1深度強化學習簡介
10.1.1深度強化學習的基本思路
10.1.2發展歷程
10.1.3應用新方向
10.2深度Q網絡
10.2.1網絡基本模型與框架
10.2.2深度Q網絡的數學分析
10.3應用舉例——AlphaGo
10.3.1AlphaGo原理分析
10.3.2深度強化學習性能分析
參考文獻
第11章深度學習軟件仿真平臺及開發環境
11.1Caffe平臺
11.1.1Caffe平臺開發環境
11.1.2AlexNet神經網絡學習
11.1.3AlexNet神經網絡應用于圖像分類
11.2TensorFlow平臺
11.2.1TensorFlow平臺開發環境
11.2.2深度卷積生成式對抗網DCGAN
11.2.3DAN應用于樣本擴充
11.3MXNet平臺
11.3.1MXNet平臺開發環境
11.3.2VGGNET深度神經網絡學習
11.3.3圖像分類應用任務
11.4Torch 7平臺
11.4.1Torch 7平臺開發環境
11.4.2二值神經網絡
11.4.3二值神經網絡應用于圖像分類
11.5Theano平臺
11.5.1Theano平臺開發環境
11.5.2遞歸神經網絡
11.5.3LSTM應用于情感分類任務
參考文獻
第12章基于深度神經網絡的SAR/PolSAR影像地物分類
12.1數據集及研究目的
12.1.1數據集特性分析
12.1.2基本數據集
12.1.3研究目的
12.2基于深度神經網絡的SAR影像地物分類
12.2.1基于自適應自編碼和超像素的SAR圖像分類
12.2.2基于卷積中層特征學習的SAR圖像分類
12.3基于**代深度神經網絡的PolSAR影像地物分類
12.3.1基于稀疏極化DBN的極化SAR地物分類
12.3.2基于深度PCA網絡的極化SAR影像地物分類
12.4基于第二代深度神經網絡的PolSAR影像地物分類
12.4.1基于深度復卷積網絡的PolSAR影像地物分類
12.4.2基于生成式對抗網的PolSAR影像地物分類
12.4.3基于深度殘差網絡的PolSAR影像地物分類
參考文獻
第13章基于深度神經網絡的SAR影像的變化檢測
13.1數據集特點及研究目的
13.1.1研究目的
13.1.2數據基本特性
13.1.3典型數據集
13.2基于深度學習和SIFT特征的SAR圖像變化檢測
13.2.1基本方法與實現策略
13.2.2對比試驗結果分析
13.3基于SAE的SAR圖像變化檢測
13.3.1基本方法與實現策略
13.3.2實驗結果和分析
13.4基于CNN的SAR圖像變化檢測
13.4.1基本方法與實現策略
13.4.2對比試驗結果分析
參考文獻
第14章基于深度神經網絡的高光譜圖像分類與壓縮
14.1數據集及研究目的
14.1.1高光譜遙感技術
14.1.2高光譜遙感的研究目的
14.1.3常用的高光譜數據集
14.2基于深度神經網絡的高光譜影像的分類
14.2.1基于堆棧自編碼的高光譜影像的分類
14.2.2基于卷積神經網絡的高光譜影像的分類
14.3基于深度神經網絡的高光譜影像的壓縮
14.3.1基于深度自編碼網絡的高光譜圖像壓縮方法
14.3.2實驗設計及分類結果
參考文獻
第15章基于深度神經網絡的目標檢測與識別
15.1數據特性及研究目的
15.1.1研究目的
15.1.2常用數據集
15.2基于快速CNN的目標檢測與識別
15.2.1RCNN
15.2.2Fast RCNN
15.2.3Faster RCNN
15.2.4對比實驗結果與分析
15.3基于回歸學習的目標檢測與識別
15.3.1YOLO
15.3.2SSD
15.3.3對比實驗結果與分析
15.4基于學習搜索的目標檢測與識別
15.4.1基于深度學習的主動目標定位
15.4.2AttentionNet
15.4.3對比實驗結果與分析
參考文獻
第16章總結與展望
16.1深度學習發展歷史圖
16.1.1從機器學習、稀疏表示學習到深度學習
16.1.2深度學習、計算與認知的范式演進
16.1.3深度學習形成脈絡
16.2深度學習的應用介紹
16.2.1目標檢測與識別
16.2.2超分辨
16.2.3自然語言處理
16.3深度神經網絡的可塑性
16.3.1旋轉不變性
16.3.2平移不變性
16.3.3多尺度、多分辨和多通路特性
16.3.4稀疏性
16.4基于腦啟發式的深度學習前沿方向
16.4.1生物神經領域關于認知、識別、注意等的*新研究進展
16.4.2深度神經網絡的進一步研究方向
16.4.3深度學習的可拓展性
參考文獻
附錄A基于深度學習的常見任務處理介紹
附錄B代碼介紹
展開全部
深度學習,優化與識別 作者簡介
焦李成，男，漢族，1959年10月生，1992年起任西安電子科技大學教授。現任智能感知與計算國際聯合研究中心主任、智能感知與圖像理解教育部重點實驗室主任、智能感知與計算國際合作聯合實驗室主任、“智能信息處理科學與技術”高等學校學科創新引智基地（“111計劃”）主任、教育部科技委國際合作部學部委員、中國人工智能學會副理事長、IET西安分會主席、IEEE西安分會獎勵委員會主席、IEEE計算智能協會西安分會主席、IEEE GRSS西安分會主席，IEEE TGRS副主編、教育部創新團隊首席專家。國務院學位委員會學科評議組成員、教育部本科教學水平評估專家。1991年被批準為享受國務院政府津貼的專家，1996年首批入選國家“百千萬”人才工程（第一、二層次）。當選為全國模范教師、陜西省師德標兵和曾任第八屆全國人大代表。焦李成教授的主要研究方向為智能感知與計算、圖像理解與目標識別、深度學習與類腦計算，培養的十余名博士獲全國優秀博士學位論文獎、提名獎及陜西省優秀博士論文獎。研究成果獲包括國家自然科學獎二等獎及省部級一等獎以上科技獎勵十余項，出版學術專著十余部，五次獲國家優秀科技圖書獎勵及全國首屆三個一百優秀圖書獎。所發表的論著被他人引用超過25000余篇次，H指數為65。
書友推薦
- >
山海經
- >
煙與鏡
- >
姑媽的寶刀
- >
伊索寓言-世界文學名著典藏-全譯本
- >
名家帶你讀魯迅:故事新編
- >
史學評論
- >
月亮虎
- >
莉莉和章魚
本類暢銷
