神经网络算法与实现基于Java语言 PDF

资源名称：神经网络算法与实现基于Java语言 PDF
内容简介：人工神经网络是由众多连接权值可调的神经元连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点，能够完成模式识别、机器学习以及预测趋势等任务。本书通过9章内容，并结合Java编程语言，由浅入深地介绍了神经网络算法的应用。书中涉及神经网络的构建、神经网络的结构、神经网络的学习、感知机、自组织映射等核心概念，并将天气预测、疾病诊断、客户特征聚类、模式识别、神经网络优化与自适应等经典案例囊括其中。本书在附录中详细地指导读者进行开发环境的配置，帮助读者更加顺利地进行程序开发。本书非常适合对神经网络技术感兴趣的开发人员和业余读者阅读，读者无需具备Java编程知识，也无需提前了解神经网络的相关概念。本书将从零开始为读者进行由浅入深地讲解。人工神经网络是由众多连接权值可调的神经元连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点，能够完成模式识别、机器学习以及预测趋势等任务。本书通过9章内容，并结合Java编程语言，由浅入深地介绍了神经网络算法的应用。书中涉及神经网络的构建、神经网络的结构、神经网络的学习、感知机、自组织映射等核心概念，并将天气预测、疾病诊断、客户特征聚类、模式识别、神经网络优化与自适应等经典案例囊括其中。本书在附录中详细地指导读者进行开发环境的配置，帮助读者更加顺利地进行程序开发。本书非常适合对神经网络技术感兴趣的开发人员和业余读者阅读，读者无需具备Java编程知识，也无需提前了解神经网络的相关概念。本书将从零开始为读者进行由浅入深地讲解。
作者简介：Fábio M. Soares拥有帕拉联邦大学（Universidade Federal do Pará，UFPA）的计算机应用专业硕士学位，目前是该所大学的在读博士生。他从2004年开始就一直在设计神经网络解决方案，在电信、化学过程建模等多个领域开发了神经网络技术的应用，他的研究主题涉及数据驱动建模的监督学习。他也是一名个体经营者，为巴西北部的一些中小型公司提供IT基础设施管理和数据库管理等服务。在过去，他曾为大公司工作，如Albras（世界上zui重要的铝冶炼厂之一）和Eletronorte（巴西的一个大型电源供应商）。他也有当讲师的经历，曾在亚马逊联邦农业大学（Federal Rural University）和卡斯塔尼亚尔的一个学院授课，两所学校都在帕拉州，所教的学科涉及编程和人工智能。他出版了许多作品，其中许多都有英文版，所有作品都是关于针对某些问题的人工智能技术。他在众多权v会议上发表了一系列学术文章，如TMS（矿物金属和材料学会）、轻金属学会和智能数据工程、自动学习学会等学术会议。他还为Intech写过两章内容。Alan M.F. Souza是来自亚马逊高级研究所（Instituto de Estudos Superiores da Amaz?nia，IESAM）的计算机工程师。他拥有软件项目管理的研究生学位以及帕拉联邦大学（Universidade Federal do Pará，UFPA）的工业过程（计算机应用）硕士学位。自2009年以来，他一直从事神经网络方面的工作，并从2006年开始与巴西的IT公司合作进行Java、PHP、SQL和其他编程语言的开发。他热衷于编程和计算智能。目前，他是亚马逊大学（Universidade da Amaz?nia，UNAMA）的教授和帕拉联邦大学的在读博士生。
资源目录：第1章初识神经网络11.1探索神经网络11.2为什么要用人工神经网络21.3神经网络的构造31.3.1基础元素——人工神经元31.3.2赋予神经元生命——激活函数41.3.3基础值——权值51.3.4重要参数——偏置51.3.5神经网络组件——层51.4神经网络结构61.4.1单层神经网络71.4.2多层神经网络71.4.3前馈神经网络81.4.4反馈神经网络81.5从无知到有识——学习过程81.6实践神经网络91.7小结15第2章神经网络是如何学习的162.1神经网络的学习能力162.2学习范式172.2.1监督学习172.2.2无监督学习182.3系统结构——学习算法192.3.1学习的两个阶段——训练和测试202.3.2细节——学习参数212.3.3误差度量和代价函数222.4学习算法示例222.4.1感知机222.4.2Delta规则232.5神经网络学习过程的编码232.5.1参数学习实现232.5.2学习过程242.5.3类定义262.6两个实例332.6.1感知机（报警系统）342.6.2ADALINE（交通预测）372.7小结42第3章运用感知机433.1学习感知机神经网络433.1.1感知机的应用和局限性443.1.2线性分离443.1.3经典XOR（异或）例子453.2流行的多层感知机（MLP）473.2.1MLP属性483.2.2MLP权值493.2.3递归MLP503.2.4MLP在OOP范式中的结构503.3有趣的MLP应用513.3.1使用MLP进行分类513.3.2用MLP进行回归533.4MLP的学习过程543.4.1简单但很强大的学习算法——反向传播553.4.2复杂而有效的学习算法——Levenberg–Marquardt573.5MLP实现583.5.1实战反向传播算法613.5.2探索代码623.6Levenberg–Marquardt实现663.7实际应用——新生入学683.8小结71第4章自组织映射724.1神经网络无监督学习方式724.2无监督学习算法介绍734.3Kohonen自组织映射764.3.1一维SOM774.3.2二维SOM784.3.3逐步实现自组织映射网络学习804.3.4如何使用SOM814.4Kohonen算法编程814.4.1探索Kohonen类844.4.2Kohonen实现（动物聚类）864.5小结88第5章天气预测895.1针对预测问题的神经网络895.2无数据，无神经网络——选择数据915.2.1了解问题——天气变量925.2.2选择输入输出变量925.2.3移除无关行为——数据过滤935.3调整数值——数据预处理945.4Java实现天气预测965.4.1绘制图表965.4.2处理数据文件975.4.3构建天气预测神经网络985.5神经网络经验设计1015.5.1选择训练和测试数据集1015.5.2设计实验1025.5.3结果和模拟1035.6小结105第6章疾病诊断分类1066.1什么是分类问题，以及如何应用神经网络1066.2激活函数的特殊类型——逻辑回归1076.2.1二分类VS多分类1096.2.2比较预期结果与产生结果——混淆矩阵1096.2.3分类衡量——灵敏度和特异性1106.3应用神经网络进行分类1116.4神经网络的疾病诊断1146.4.1使用神经网络诊断乳腺癌1146.4.2应用神经网络进行早期糖尿病诊断1186.5小结121第7章客户特征聚类1227.1聚类任务1237.1.1聚类分析1237.1.2聚类评估和验证1247.1.3外部验证1257.2应用无监督学习1257.2.1径向基函数神经网络1257.2.2Kohonen神经网络1267.2.3数据类型1277.3客户特征1287.4Java实现1297.5小结135第8章模式识别（OCR案例）1368.1什么是模式识别1368.1.1定义大量数据中的类别1378.1.2如果未定义的类没有被定义怎么办1388.1.3外部验证1388.2如何在模式识别中应用神经网络算法1388.3OCR问题1408.3.1简化任务——数字识别1408.3.2数字表示的方法1408.4开始编码1418.4.1生成数据1418.4.2构建神经网络1438.4.3测试和重新设计——试错1448.4.4结果1458.5小结148第9章神经网络优化与自适应1499.1神经网络实现中的常见问题1499.2输入选择1509.2.1数据相关性1509.2.2降维1519.2.3数据过滤1529.3结构选择1529.4在线再训练1549.4.1随机在线学习1559.4.2实现1569.4.3应用1579.5自适应神经网络1599.5.1自适应共振理论1599.5.2实现1609.6小结162附录ANetBeans环境搭建163附录BEclipse环境搭建175附录C参考文献186
资源截图：