清华大学出版社

本书共分为9章，第1章介绍神经网络的概念、特点、拓扑结构和应用；第2章介绍感知器模型、处理单元模型、学习策略、局限性和收敛性；第3章介绍BP神经网络；第4章介绍支持向量机；第5章介绍深度学习网络及应用；第6章介绍强化学习；第7章介绍极限学习及应用；第8、9章介绍神经网络在文字识别、语音生成与识别、图像生成与识别等领域的应用。 本书适合电子、自动化、物联网、计算机、人工智能、大数据等专业本科生和研究生学习，也可供人工智能领域相关的从业人员学习使用。

前言 神经网络技术是现代人工智能最重要的分支，是通过模拟人脑的神经网络来实现类人工智能的机器学习技术和方法。本书讨论的是神经网络的理论基础、算法设计、算法实现，以及工程领域中的应用。 人在思考问题时，神经冲动会在神经突触所连接的无数神经元中传递，信息的处理是由神经元之间的相互作用来实现的。受此启发，人们开始模拟人体大脑的结构和工作机理，即用很多的结点来处理信息。在人工神经网络中，人工神经元、处理元件、电子元件等大量的处理单元被用来模仿人脑神经系统的结构，知识与信息的存储表现为互连的网络元件间的分布式联系，网络的学习和识别取决于和神经元连接权值的动态演化过程。因为在大脑的神经冲动传导过程中不仅有是与非，还存在强与弱、缓与急，所以人工神经网络和大脑还是有区别的。 本书可以作为高校相关专业的本科生或者研究生教材，同时也适合广大的人工智能领域相关的从业人员自学。在学习本书之前，应具有机器学习、模式识别、算法设计与分析等相关知识。 本书共9章，主要围绕神经网络的原理与实践进行讲解，在内容上将理论与实践、技术与应用结合，具体如下。 第1章介绍了神经网络的概念、特点、拓扑结构和应用。 第2章介绍了感知器模型、处理单元模型、学习策略、局限性和收敛性。 第3章介绍了BP神经网络、神经元模型、BP神经网络结构、神经网络的数据预处理。 第4章介绍了支持向量机、间隔与支持向量、对偶问题、核函数、软间隔和正则化、支持向量回归和核方法。 第5章介绍了深度学习网络、深度神经网络、深度卷积神经网络、深度卷积神经网络典型结构、卷积网络的层和深度卷积神经网络在图像识别中的应用。 第6章介绍了强化学习、问题模型、无模型化强化学习方法、模型化强化学习方法和深度强化学习。 第7章介绍了极限学习、极限学习算法、极限学习的改进、极限学习的应用。 第8章介绍了TensorFlow机器学习平台的起源、简介、特征、使用对象、环境及兼容性、其他模块。 第9章介绍了神经网络在图像处理、信号处理、模式识别和机器控制方面的应用。 本书的主要分工如下: 侯琳主要负责第1章的编写；于洋主要负责第2章、第8章和第7章部分内容的编写，以及本书的主要统稿和审稿工作；孙迪主要负责第3章的编写；陈亚瑞主要负责第4章的编写；胡志强主要负责第5章的编写；赵婷婷主要负责第6章的编写；杨巨成主要负责第7章的编写，以及本书的主要审稿工作；吴超主要负责第9章的编写。 在杨巨成教授的指导下，本书在编写过程中才得以克服很多技术上的难点。同时，感谢天津科技大学人工智能学院张灵超、王晓靖、王洁、韩书杰、魏峰、邱润泽为本书所做的工作。最后，还要感谢参考文献的作者，他们的成果使得本书的学术水平得以提升。 由于相关技术的发展日新月异，本书难免有不足之处，希望读者批评指正，提出宝贵的修改意见。 作者2020年8月

版权图片链接