《神经网络算法与实现：基于Java语言》配套彩图

编辑推荐

神经网络已成为从大量原始的，看似无关的数据中提取有用知识的强大技术。 Java语言是用于实现神经网络的zui合适的工具之一，也是现阶段非常流行的编程语言之一，包含多种有助于开发的API和包，具有“一次编写，随处运行”的可移植性。本书完整地演示了使用Java开发神经网络的过程，既有非常基础的实例也有高级实例。首先，你将学习神经网络的基础知识、感知机及其特征。 然后，你将使用学到的概念来实现自组织映射网络。 此外，你还会了解一些应用，如天气预报、疾病诊断、客户特征分析和光学字符识别（OCR）等。 zui后，你将学习实时优化和自适应神经网络的方法。首先，你将学习神经网络的基础知识和它们的学习过程。 然后我们关注感知机及其特征。 接下来，您将使用您学到的概念实现自组织映射。 此外，您将了解一些应用，如天气预报，疾病诊断，客户特征分析和光学字符识别（OCR）。 zui后，您将学习优化和适应实时神经网络的方法。本书所有的示例都提供了说明性的源代码，这些源代码综合了面向对象编程（OOP）概念和神经网络特性，以帮助你更好的学习。通过阅读本书，你讲能够：掌握神经网络的知识及其用途；运用常见实例开发神经网络；探索和编码zui广泛使用的学习算法，让你的神经网络可以从大多数类型的数据中学习 知识；发现神经网络的无监督学习过程的力量，提取隐藏在数据背后的内在知识；应用实际示例（如天气预测和模式识别）中生成的代码；了解如何选择zui合适的学习参数，以确保应用更高效；选择数据集，将数据集切分为训练集、测试集和验证集，并探索验证策略；了解如何改善和优化神经网络。

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。

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。

目录

• 第1章 初识神经网络1
• 1.1 探索神经网络1
• 1.2 为什么要用人工神经网络2
• 1.3 神经网络的构造3
• 1.3.1 基础元素——人工神经元3
• 1.3.2 赋予神经元生命——激活函数4
• 1.3.3 基础值——权值5
• 1.3.4 重要参数——偏置5
• 1.3.5 神经网络组件——层5
• 1.4 神经网络结构6
• 1.4.1 单层神经网络7
• 1.4.2 多层神经网络7
• 1.4.3 前馈神经网络8
• 1.4.4 反馈神经网络8
• 1.5 从无知到有识——学习过程8
• 1.6 实践神经网络9
• 1.7 小结15
• 第2章 神经网络是如何学习的16
• 2.1 神经网络的学习能力16
• 2.2 学习范式17
• 2.2.1 监督学习17
• 2.2.2 无监督学习18
• 2.3 系统结构——学习算法19
• 2.3.1 学习的两个阶段——训练和测试20
• 2.3.2 细节——学习参数21
• 2.3.3 误差度量和代价函数22
• 2.4 学习算法示例22
• 2.4.1 感知机22
• 2.4.2 Delta规则23
• 2.5 神经网络学习过程的编码23
• 2.5.1 参数学习实现23
• 2.5.2 学习过程24
• 2.5.3 类定义26
• 2.6 两个实例33
• 2.6.1 感知机（报警系统）34
• 2.6.2 ADALINE（交通预测）37
• 2.7 小结42
• 第3章 运用感知机43
• 3.1 学习感知机神经网络43
• 3.1.1 感知机的应用和局限性44
• 3.1.2 线性分离44
• 3.1.3 经典XOR（异或）例子45
• 3.2 流行的多层感知机（MLP）47
• 3.2.1 MLP属性48
• 3.2.2 MLP权值49
• 3.2.3 递归MLP50
• 3.2.4 MLP在OOP范式中的结构50
• 3.3 有趣的MLP应用51
• 3.3.1 使用MLP进行分类51
• 3.3.2 用MLP进行回归53
• 3.4 MLP的学习过程54
• 3.4.1 简单但很强大的学习算法——反向传播55
• 3.4.2 复杂而有效的学习算法——Levenberg?CMarquardt57
• 3.5 MLP实现58
• 3.5.1 实战反向传播算法61
• 3.5.2 探索代码62
• 3.6 Levenberg?CMarquardt实现66
• 3.7 实际应用——新生入学68
• 3.8 小结71
• 第4章 自组织映射72
• 4.1 神经网络无监督学习方式72
• 4.2 无监督学习算法介绍73
• 4.3 Kohonen 自组织映射76
• 4.3.1 一维SOM77
• 4.3.2 二维SOM78
• 4.3.3 逐步实现自组织映射网络学习80
• 4.3.4 如何使用SOM81
• 4.4 Kohonen算法编程81
• 4.4.1 探索Kohonen类84
• 4.4.2 Kohonen实现（动物聚类）86
• 4.5 小结88
• 第5章 天气预测89
• 5.1 针对预测问题的神经网络89
• 5.2 无数据，无神经网络——选择数据91
• 5.2.1 了解问题——天气变量92
• 5.2.2 选择输入输出变量92
• 5.2.3 移除无关行为——数据过滤93
• 5.3 调整数值——数据预处理94
• 5.4 Java实现天气预测96
• 5.4.1 绘制图表96
• 5.4.2 处理数据文件97
• 5.4.3 构建天气预测神经网络98
• 5.5 神经网络经验设计101
• 5.5.1 选择训练和测试数据集101
• 5.5.2 设计实验102
• 5.5.3 结果和模拟103
• 5.6 小结105
• 第6章 疾病诊断分类106
• 6.1 什么是分类问题，以及如何应用神经网络106
• 6.2 激活函数的特殊类型——逻辑回归107
• 6.2.1 二分类VS多分类109
• 6.2.2 比较预期结果与产生结果——混淆矩阵109
• 6.2.3 分类衡量——灵敏度和特异性110
• 6.3 应用神经网络进行分类111
• 6.4 神经网络的疾病诊断114
• 6.4.1 使用神经网络诊断乳腺癌114
• 6.4.2 应用神经网络进行早期糖尿病诊断118
• 6.5 小结121
• 第7章 客户特征聚类122
• 7.1 聚类任务123
• 7.1.1 聚类分析123
• 7.1.2 聚类评估和验证124
• 7.1.3 外部验证125
• 7.2 应用无监督学习125
• 7.2.1 径向基函数神经网络125
• 7.2.2 Kohonen 神经网络126
• 7.2.3 数据类型127
• 7.3 客户特征128
• 7.4 Java实现129
• 7.5 小结135
• 第8章 模式识别（OCR案例）136
• 8.1 什么是模式识别136
• 8.1.1 定义大量数据中的类别137
• 8.1.2 如果未定义的类没有被定义怎么办138
• 8.1.3 外部验证138
• 8.2 如何在模式识别中应用神经网络算法138
• 8.3 OCR问题140
• 8.3.1 简化任务——数字识别140
• 8.3.2 数字表示的方法140
• 8.4 开始编码141
• 8.4.1 生成数据141
• 8.4.2 构建神经网络143
• 8.4.3 测试和重新设计——试错144
• 8.4.4 结果145
• 8.5 小结148
• 第9章 神经网络优化与自适应149
• 9.1 神经网络实现中的常见问题149
• 9.2 输入选择150
• 9.2.1 数据相关性150
• 9.2.2 降维151
• 9.2.3 数据过滤152
• 9.3 结构选择152
• 9.4 在线再训练154
• 9.4.1 随机在线学习155
• 9.4.2 实现156
• 9.4.3 应用157
• 9.5 自适应神经网络159
• 9.5.1 自适应共振理论159
• 9.5.2 实现160
• 9.6 小结162
• 附录A NetBeans环境搭建163
• 附录B Eclipse环境搭建175
• 附录C 参考文献186