深度學習與信號處理: 原理與實踐
郭業才
- 出版商: 機械工業
- 出版日期: 2022-06-01
- 定價: $774
- 售價: 9.5 折 $735
- 語言: 簡體中文
- 頁數: 303
- 裝訂: 平裝
- ISBN: 7111707680
- ISBN-13: 9787111707684
-
相關分類:
DeepLearning
立即出貨
買這商品的人也買了...
-
$1,150$1,127 -
$505情感分析 : 挖掘觀點、情感和情緒 (Sentiment Analysis: Mining Opinions, Sentiments, and Emotions)
-
$352基於深度學習的自然語言處理/智能科學與技術叢書
-
$296SC-CFDMA 無線傳輸技術
-
$1,560$1,529 -
$454跟著迪哥學Python數據分析與機器學習實戰
-
$393用 Flutter 極速構建原生應用
-
$507智能天線:MATLAB 實踐版, 2/e (Smart Antennas with MATLAB, 2/e)
-
$690$587 -
$849基於 YANG 的可編程網絡:用 YANG、NETCONF、RESTCONF 和 gNMI 實現網絡自動化架構
-
$427多接入邊緣計算實戰
-
$857游戲設計夢工廠, 4/e
-
$403雷達通信一體化系統射頻隱身技術
-
$8575G 與衛星通信融合之道:標準化與創新
-
$352敏捷硬件開發語言 Chisel 與數字系統設計
-
$607遷移學習導論, 2/e
-
$301邊緣計算技術與應用
-
$403概率數據結構與算法:面向大數據應用
-
$403基於頻譜數據分析的電磁行為識別和網絡結構挖掘
-
$594$564 -
$894$849 -
$658圖像畫質算法與底層視覺技術
-
$828$787 -
$630$498 -
$1,000$790
相關主題
商品描述
本書分析研究了深度學習相關的網絡模型,以及不同網絡模型的算法結構、原理與核心思想及實戰案例。
主要內容涉及人工神經網絡、模糊神經網絡、概率神經網絡、小波神經網絡、卷積神經網絡及其擴展模型、
深度生成對抗網絡及其擴展模型、深度受限玻爾茲曼機及其擴展模型、
深度信念網絡及其擴展模型、深度自編碼器及其擴展模型等深度學習網絡結構、原理與方法。
通過深度學習網絡在信道盲均衡、目標識別、圖像分類和運動模糊去除、特徵提取與識別、
缺陷早期診斷等領域中的應用案例,為讀者提供應用深度學習網絡解決具體問題的思路和方法。
本書適合人工智能、計算機、自動化、電子與通信、
大數據科學等相關學科專業的科學研究人員和工程技術人員閱讀,也可作為相關專業博士、碩士研究生的參考書。
目錄大綱
前言
第1章初識深度學習1
1.1深度學習有多深1
1.2深度學習如何學4
1.3深度學習如何提速5
1.4主流深度學習框架12
1.5本書內容與體系結構13
第2章人工神經網絡15
2.1神經網絡演進15
2.2神經網絡訓練與預測22
2.3優化算法23
2.4計算圖30
2.5正則化懲罰項36
2.6神經網絡BP算法39
2.7過擬合與欠擬合43
2.8實例1:基於前饋神經網絡的動量盲均衡算法52
第3章模糊神經網絡58
3.1隸屬函數59
3.2常規模糊神經網絡66
3.3模糊聯想記憶神經網絡67
3.4神經模糊推理系統70
3.5神經網絡近似邏輯72
3.6實例2:基於智能模糊神經網絡的導彈防禦系統未知飛行目標識別方法73
第4章概率神經網絡85
4.1模式分類的貝葉斯判定策略85
4.2密度估計的一致性86
4.3概率神經網絡87
4.4貝葉斯陰陽系統理論90
4.5實例3:基於離散餘弦變換和概率神經網絡的腦腫瘤分類方法91
第5章小波神經網絡97
5.1小波理論97
5.2小波神經網絡101
5.3小波神經網絡訓練架構106
5.4小波神經網絡優化方法107
5.5實例4:基於嵌入小波神經網絡的常模盲均衡算法110
第6章卷積神經網絡116
6.1卷積神經網絡結構116
6.2卷積神經網絡128
6.3卷積操作的變種129
6.4池化操作的變種137
6.5常見的幾種卷積神經網絡結構145
6.6幾種拓展的捲積神經網絡結構158
6.7實例5:基於深度卷積神經網絡
的遙感圖像分類162
6.8實例6:基於深度卷積神經網絡的運動模糊去除170
第7章深度生成對抗網絡181
7.1生成對抗網絡原理181
7.3小波生成對抗網絡190
7.4多尺度生成對抗網絡196
7.5實例7:基於條件生成對抗網絡的三維肝臟及腫瘤區域自動分割200
7.6實例8:基於深度殘差生成對抗網絡的運動模糊圖像復原208
第8章深度受限玻爾茲曼機216
8.1玻爾茲曼機216
8.2稀疏受限玻爾茲曼機及競爭學習220
8.3分類受限玻爾茲曼機與改進模型226
8.4 (2D)2PCA受限玻爾茲曼機230
8.5實例9:受限玻爾茲曼機的步態特徵提取及其識別232
第9章深度信念網絡238
9.1深度信念網絡概述238
9.2 Gamma深度信念網絡243
9.3自適應深度信念網絡246
9.4 KPCA深度信念網絡248
9.5全參數動態學習深度信念網絡250
9.6深度信念網絡優化252
9.7實例10:基於貪婪方法的深度信念網絡診斷注意缺陷多動障礙259
第10章深度自編碼器264
10.1自編碼器264
10.2稀疏自適應編碼器267
10.3變分自編碼器268
10.4自編碼迴聲狀態網絡274
10.5深度典型相關稀疏自編碼器277
10.6條件雙重對抗自編碼網絡280
10.7自編碼應用模型283
10.8實例11:基於改進LDA和自編碼器的調製識別算法296
參考文獻303