神经网络设计（原书第2版）

出版者:机械工业出版社

作者:Martin T. Hagan

页数:426

译者:章毅

出版时间:2017-11

价格:99.00元

装帧:平装

isbn号码:9787111586746

丛书系列:智能科学与技术丛书

具体描述

本书是一本易学易懂的神经网络教材，主要讨论网络结构、学习规则、训练技巧和工程应用，紧紧围绕“设计”这一视角组织材料和展开讲解，强调基本原理和训练方法，概念清晰，数学论述严谨，包含丰富的实例和练习，并配有课件和MATLAB演示程序。本书要求读者具备线性代数、概率论和微分方程的基础知识，可作为高年级本科生或一年级研究生的神经网络导论课程教材，也可供有兴趣的读者自学或参考。

目录信息

出版者的话
译者序
前言
第1章　引言1
1.1　目标1
1.2　历史1
1.3　应用3
1.4　生物学启示4
1.5　扩展阅读5
第2章　神经元模型及网络结构8
2.1　目标8
2.2　理论与例子8
2.2.1　记号8
2.2.2　神经元模型8
2.2.3　网络结构11
2.3　小结15
2.4　例题17
2.5　结束语18
2.6　习题18
第3章　一个说明性的实例20
3.1　目标20
3.2　理论与例子20
3.2.1　问题描述20
3.2.2　感知机21
3.2.3　Hamming网络23
3.2.4　Hopfield网络26
3.3　结束语27
3.4　习题28
第4章　感知机学习规则31
4.1　目标31
4.2　理论与例子31
4.2.1　学习规则31
4.2.2　感知机结构32
4.2.3　感知机的学习规则35
4.2.4　收敛性证明39
4.3　小结41
4.4　例题42
4.5　结束语48
4.6　扩展阅读49
4.7　习题49
第5章　信号与权值向量空间53
5.1　目标53
5.2　理论与例子53
5.2.1　线性向量空间53
5.2.2　线性无关54
5.2.3　生成空间55
5.2.4　内积56
5.2.5　范数56
5.2.6　正交性56
5.2.7　向量展开式58
5.3　小结60
5.4　例题61
5.5　结束语66
5.6　扩展阅读67
5.7　习题67
第6章　神经网络中的线性变换71
6.1　目标71
6.2　理论与例子71
6.2.1　线性变换71
6.2.2　矩阵表示72
6.2.3　基变换74
6.2.4　特征值与特征向量76
6.3　小结79
6.4　例题79
6.5　结束语85
6.6　扩展阅读85
6.7　习题86
第7章　有监督的Hebb学习90
7.1　目标90
7.2　理论与例子90
7.2.1　线性联想器91
7.2.2　Hebb规则91
7.2.3　伪逆规则93
7.2.4　应用95
7.2.5　Hebb学习的变形96
7.3　小结97
7.4　例题98
7.5　结束语105
7.6　扩展阅读105
7.7　习题106
第8章　性能曲面和最优点108
8.1　目标108
8.2　理论与例子108
8.2.1　泰勒级数108
8.2.2　方向导数110
8.2.3　极小点111
8.2.4　优化的必要条件113
8.2.5　二次函数114
8.3　小结119
8.4　例题120
8.5　结束语127
8.6　扩展阅读127
8.7　习题128
第9章　性能优化131
9.1　目标131
9.2　理论与例子131
9.2.1　最速下降法131
9.2.2　牛顿法136
9.2.3　共轭梯度法139
9.3　小结142
9.4　例题142
9.5　结束语150
9.6　扩展阅读150
9.7　习题151
第10章　Widrow-Hoff学习153
10.1　目标153
10.2　理论与例子153
10.2.1　ADALINE网络153
10.2.2　均方误差154
10.2.3　LMS算法156
10.2.4　收敛性分析157
10.2.5　自适应滤波器159
10.3　小结164
10.4　例题165
10.5　结束语174
10.6　扩展阅读174
10.7　习题175
第11章　反向传播179
11.1　目标179
11.2　理论与例子179
11.2.1　多层感知机179
11.2.2　反向传播算法182
11.2.3　例子186
11.2.4　批量训练和增量训练188
11.2.5　使用反向传播188
11.3　小结192
11.4　例题193
11.5　结束语201
11.6　扩展阅读201
11.7　习题202
第12章　反向传播算法的变形210
12.1　目标210
12.2　理论与例子210
12.2.1　反向传播算法的缺点210
12.2.2　反向传播算法的启发式改进215
12.2.3　数值优化技术218
12.3　小结226
12.4　例题228
12.5　结束语235
12.6　扩展阅读236
12.7　习题237
第13章　泛化241
13.1　目标241
13.2　理论与例子241
13.2.1　问题描述242
13.2.2　提升泛化能力的方法243
13.3　小结257
13.4　例题258
13.5　结束语265
13.6　扩展阅读265
13.7　习题266
第14章　动态网络270
14.1　目标270
14.2　理论与例子270
14.2.1　分层数字动态网络271
14.2.2　动态学习的基本原则273
14.2.3　动态反向传播276
14.3　小结288
14.4　例题290
14.5　结束语296
14.6　扩展阅读296
14.7　习题297
第15章　竞争网络302
15.1　目标302
15.2　理论与例子302
15.2.1　Hamming网络303
15.2.2　竞争层304
15.2.3　生物学中的竞争层307
15.2.4　自组织特征图308
15.2.5　学习向量量化310
15.3　小结314
15.4　例题315
15.5　结束语322
15.6　扩展阅读322
15.7　习题323
第16章　径向基网络329
16.1　目标329
16.2　理论与例子329
16.2.1　径向基网络329
16.2.2　训练RBF网络333
16.3　小结343
16.4　例题344
16.5　结束语347
16.6　扩展阅读347
16.7　习题348
第17章　实际训练问题352
17.1　目标352
17.2　理论与例子352
17.2.1　训练前的步骤353
17.2.2　网络训练359
17.2.3　训练结果分析362
17.3　结束语368
17.4　扩展阅读368
第18章　实例研究1:函数逼近370
18.1　目标370
18.2　理论与例子370
18.2.1　智能传感系统描述370
18.2.2　数据收集与预处理371
18.2.3　网络结构选择372
18.2.4　网络训练372
18.2.5　验证373
18.2.6　数据集374
18.3　结束语375
18.4　扩展阅读375
第19章　实例研究2：概率估计376
19.1　目标376
19.2　理论与例子376
19.2.1　CVD过程描述376
19.2.2　数据收集与预处理377
19.2.3　网络结构选择378
19.2.4　网络训练379
19.2.5　验证381
19.2.6　数据集382
19.3　结束语382
19.4　扩展阅读383
第20章　实例研究3：模式识别384
20.1　目标384
20.2　理论与例子384
20.2.1　心肌梗死识别问题描述384
20.2.2　数据收集与预处理384
20.2.3　网络结构选择387
20.2.4　网络训练387
20.2.5　验证388
20.2.6　数据集389
20.3　结束语390
20.4　扩展阅读390
第21章　实例研究4：聚类391
21.1　目标391
21.2　理论与例子391
21.2.1　森林覆盖问题描述391
21.2.2　数据收集与预处理392
21.2.3　网络结构选择392
21.2.4　网络训练393
21.2.5　验证394
21.2.6　数据集396
21.3　结束语396
21.4　扩展阅读396
第22章　实例研究5：预测398
22.1　目标398
22.2　理论与例子398
22.2.1　磁悬浮系统描述398
22.2.2　数据收集与预处理399
22.2.3　网络结构选择399
22.2.4　网络训练401
22.2.5　验证402
22.2.6　数据集404
22.3　结束语404
22.4　扩展阅读405
附录A　参考文献406
附录B　记号413
附录C　软件417
索引420
· · · · · · (收起)

读后感

一句话：娓娓道来，醍醐灌顶！比国内的教材好多了！只需要读者有一点点数学知识（也就是懂一点点高数、线代的皮毛，不懂也可以，作者会负责地在书中相关地方讲述）就可以了！  

这本身更像是Matlab神经网络工具箱的配套教材，但内容稍显单薄，而且深度有限，由于对许多基本概念作了非常浅显易懂的讲解，所以适合作为入门教材。  

辞掉了工作，回家过年玩，拿出这本书来又看了一遍，说说这次的感觉： 1 比起第一次接触神经网络时感觉这本书简单多了，读第二遍速度要快得多，并且也更理解一些原理上的东西 2 不神秘了。第一次读的时候感觉神经网络很强大，可以设计出许多很厉害的东西来，现在却不这样认为了...  

还记得大一的时候，老师在黑板上只管照着课本将，讲矩阵、讲行列式..... 讲的只是计算过程，和解题方法。对我来说线性代数，就是死记硬背的没有半点用处的东西。我现在才明白了，线性代数，最主要的不是矩阵的那些计算，矩阵只是一个计算的表达方式和计算的工具，要理解线性代...

辞掉了工作，回家过年玩，拿出这本书来又看了一遍，说说这次的感觉： 1 比起第一次接触神经网络时感觉这本书简单多了，读第二遍速度要快得多，并且也更理解一些原理上的东西 2 不神秘了。第一次读的时候感觉神经网络很强大，可以设计出许多很厉害的东西来，现在却不这样认为了...  

用户评价

最近我沉迷于神经网络的世界，但总感觉自己只是在浅层徘徊，很多时候遇到问题，都只能停留在“how to use”的层面，而无法深入到“why it works”的哲学思考。这个时候，《神经网络设计（原书第2版）》就像是一缕清风，吹散了我心中的迷雾。 我注意到这本书的书名，特别强调了“设计”二字，这让我非常激动。因为在我看来，真正掌握一门技术，关键不在于你会调用多少个现成的函数，而在于你是否能理解其内在的原理，是否能根据具体需求进行创新和调整。这本书，恰好满足了我对这种深度探索的渴望。 我非常期待书中关于神经网络基本单元——神经元，以及它们是如何组合成层的讲解。特别是对于反向传播算法的阐述，我希望能够有深入且易于理解的分析，不仅仅是数学公式的堆砌，更能从中体会到其背后的思想精髓。 同时，我也对书中关于不同网络结构的探讨很感兴趣。例如，为什么卷积神经网络在图像识别领域表现如此出色？循环神经网络又是如何处理序列数据的？这些问题的解答，对我来说，是构建一个更完整的神经网络知识体系的关键。 另外，书中对训练过程的深入剖析，包括各种优化算法的比较和选择，以及如何处理过拟合等经典问题，都让我充满了期待。我希望通过这本书，能够提升自己对神经网络模型训练的把控能力，能够更自信地解决实际问题。 这本书，对我而言，不只是一个学习的工具，更是一种探索精神的引导。我期待它能带领我，一步一步地揭开神经网络设计的神秘面纱，让我不再是那个只会“照葫芦画瓢”的学习者，而是能够真正理解并创造神经网络的思考者。

这次终于下定决心，把这本《神经网络设计（原书第2版）》捧回了家。老实说，选择它也算是一时冲动，但又好像是冥冥之中的必然。我之前接触过一些机器学习的入门书籍，也零零散散地看过一些关于神经网络的文章，但总感觉隔靴搔痒，缺乏一种系统性的认知。这本书的厚度和内容量，光是看着就让人产生一种“这下总算能深入骨子里了”的期待。 翻开目录，那叫一个扎实！从最基础的感知机，到多层感知机，再到各种激活函数、损失函数、优化算法，基本上涵盖了经典神经网络的方方面面。作者的讲解方式，我初步看来，是那种一步一个脚印，绝不跳跃性思考的类型。这对我这种喜欢把每一个概念都弄明白，再往前进的人来说，简直是福音。我特别期待它在讲解反向传播算法时，能否用一种更直观、更易于理解的方式来阐述，毕竟这是神经网络的核心，如果连这个都理解不了，那后面的内容就更不用谈了。 目前只是初步翻阅，但已经能感受到其中蕴含的深度。作者在介绍一些概念时，似乎会引用一些早期的研究成果，这对于想要了解神经网络发展脉络的读者来说，应该会非常有帮助。我不指望读完这本书就能立马成为神经网络的专家，但我相信，它能为我打下坚实的基础，让我对这个领域有更宏观、更深入的理解。 话说回来，这本书的出版年代其实也挺有意思的。虽然是“原书第2版”，但相比于层出不穷的新技术，神经网络的设计理论和基础框架，似乎也没有发生颠覆性的变化。我反而觉得，这种经典之作，更能帮助我抓住问题的本质，而不是被那些光鲜亮丽但可能转瞬即逝的新框架所迷惑。 我比较好奇的是，这本书在实际应用层面，会不会提供一些具体的案例或者代码实现？毕竟理论学得再好，如果不能转化为实际的解决问题能力，总会觉得少了点什么。希望它能在理论讲解的同时，也能兼顾一些实践性的指导。

我对《神经网络设计（原书第2版）》的兴趣，更多源于它那种“返璞归真”的魅力。在如今这个AI技术日新月异的时代，各种新框架、新模型层出不穷，让人眼花缭乱。很多人都急于追逐最新的技术浪潮，但有时反而会忽略了那些奠定行业基石的经典理论。我始终认为，真正强大的能力，往往建立在对基础原理的深刻理解之上。 这本书，从书名上就透着一股“务实”的气息。它不是那种告诉你如何快速调用某个库来搭建一个模型，而是深入到神经网络的“设计”本身。这对我来说，意义重大。我希望它能带领我走进神经网络的“制造车间”，而不是仅仅停留在“使用说明书”的层面。 我尤其期待它在讲解神经网络的结构设计时，是如何考虑各种因素的。比如，为什么需要多层？层数和节点数的选择又有什么讲究？激活函数的选择又会带来哪些不同的影响？这些都是我一直以来都感到好奇但又难以系统梳理的问题。 另外，书中关于优化算法的部分，我希望能有详尽的论述。在训练神经网络的过程中，如何高效地找到最优的权重和偏置，是至关重要的。梯度下降的各种变种，如SGD、Adam、RMSprop等，它们各自的优缺点，以及在什么情况下选择哪种算法，这些都是我迫切想了解的。 这本书的出现，对我来说，就像是在信息爆炸的海洋中，找到了一座坚实的灯塔。它提供了一个系统性的框架，帮助我梳理和整合之前零散的知识点，并且引导我深入思考神经网络的内在逻辑。我期待通过阅读这本书，能够对神经网络的设计原理有一个更全面、更透彻的认识，从而更好地指导我未来的学习和实践。

我最近正在深入研究深度学习领域，而《神经网络设计（原书第2版）》这本书，对我来说，就像是打开了一扇通往核心技术殿堂的大门。在接触了市面上一些相对浅显易懂的入门书籍之后，我发现自己迫切需要一本能够真正触及理论“心脏”的作品，而这本书，正是这样的存在。 我个人对那些“拿来主义”式的学习方法不太感冒，我更倾向于理解技术背后的原理和逻辑。因此，这本书在神经网络“设计”这个角度上的切入，对我具有极大的吸引力。我希望通过它，能够理解为什么神经网络会以这样的方式构建，背后的数学原理是什么，以及在不同的场景下，如何进行“设计”上的调整和优化。 这本书的厚度，本身就预示着其内容的深度和广度。我期待它能够详细介绍各种神经网络结构，例如卷积神经网络（CNN）和循环神经网络（RNN）等，并深入剖析它们各自的优势、劣势以及适用的场景。这对于我理解不同类型神经网络的“基因”差异，以及如何根据问题选择合适的模型，至关重要。 此外，书中关于训练和优化的章节，我抱有很高的期望。如何有效地训练一个复杂的神经网络，避免过拟合、欠拟合等问题，以及如何选择合适的损失函数和优化器，这些都是我在实际操作中经常遇到的挑战。我希望这本书能够提供清晰的指导，让我能够更好地掌握这些关键技能。 总的来说，我对这本书的期待，是它能够帮助我从一个“使用者”的角色，转变为一个能够理解和“设计”神经网络的“工程师”。它不仅仅是一本教科书，更是一份深入探索神经网络“灵魂”的指南。

在我浩瀚的学习资料堆里，《神经网络设计（原书第2版）》算是近期一股让人眼前一亮的存在。我接触的很多技术书籍，往往在追逐时下最热门的技术点，内容更新速度快得惊人，但有时反而会让人忽略了那些更根本、更具生命力的理论。 我之所以选择这本书，很大程度上是因为它那种“沉淀感”。“原书第2版”这样的字眼，本身就说明了它的经典性，以及经过时间的检验。我一直相信，真正有价值的知识，往往是能够经受住时间和实践的考验的。 我尤其想通过这本书，深入了解神经网络的“骨架”是如何搭建的。这包括了不同类型的神经元模型，它们是如何相互连接形成复杂的网络结构，以及这些结构在数学层面的原理。这对我来说，就像是在学习造一座精密的机械，需要理解每一个齿轮的运作方式，才能最终驱动整个机器。 我非常期待书中关于激活函数和损失函数的详细讨论。这两者在神经网络的训练过程中起着至关重要的作用，不同的选择往往会带来截然不同的结果。我希望能从中学习到如何根据具体任务的需求，来选择最合适的激活函数和损失函数。 此外，对于优化算法的深入解析，也是我关注的重点。如何才能更有效地训练神经网络，让模型更快地收敛，并且达到更好的性能？这个问题一直困扰着我，我希望这本书能够提供一些深刻的见解和实用的技巧。 这本书，对我来说，不仅仅是一本技术书籍，更是一次深入的哲学思辨。它让我有机会从更宏观的视角，去审视神经网络的设计之道，理解其背后的逻辑和美学。我希望通过它的学习，能够建立起一套属于自己的、更加系统和扎实的神经网络知识体系。

本书侧重神经网络的数学基础，比较适合初学者。书中虽然对深度学习涉及不多，但数学基础都讲的很清晰，并且提供了大量的例题、习题及matlab实现。

本书侧重神经网络的数学基础，比较适合初学者。书中虽然对深度学习涉及不多，但数学基础都讲的很清晰，并且提供了大量的例题、习题及matlab实现。

我看的第一本神经网络的书，作者表达得很清晰

我看的第一本神经网络的书，作者表达得很清晰

我看的第一本神经网络的书，作者表达得很清晰