神经网络设计方法与实例分析

第1章 神经网络模型评估及选择 1.1 神经网络的泛化能力[1-3] 1.2 神经网络预测模型的一般描述[2，3] 1.3 研究神经网络泛化能力的理论基础[2-6] 1.3.1 经验风险最小化原则 1.3.2 结构风险最小化原则 1.3.3 偏差-方差分解 1.4 影响神经网络的泛化能力的具体因素[2-5] 1.4.1 神经网络具有泛化能力的基本必要条件 1.4.2 噪声的影响 1.4.3 “欠拟合”和“过拟合” 1.5 提高神经网络的泛化能力的方法[4，6] 1.5.1 模型结构选择 1.5.2 训练集扩展方法 1.5.3 提前停止 1.5.4 权值衰减 1.5.5 贝叶斯学习 1.5.6 神经网络集成[7-14] 1.6 神经网络模型的评估与选择[4-6，15] 1.6.1 神经网络模型的评估 1.6.2 神经网络模型的选择 本章参考文献第2章 基于BP算法的多层感知器的设计与应用第3章 径向基函数神经网络的设计与应用第4章 SOFM网络设计与应用第5章 LVQ网络设计与应用第6章 对偶传播神经网络第7章 ART网络设计及应用第8章 Hopfield网络的设计与应用第9章 时序递归网络的设计与应用第10章 CMAC网络的设计与应用第11章 支持向量机的设计与应用第12章 人工神经元网络设计开发平台

第1章 神经网络模型评估及选择 1.1 神经网络的泛化能力[1-3] 1.2 神经网络预测模型的一般描述[2，3] 1.3 研究神经网络泛化能力的理论基础[2-6] 1.3.1 经验风险最小化原则 1.3.2 结构风险最小化原则 1.3.3 偏差-方差分解 1.4 影响神经网络的泛化能力的具体因素[2-5] 1.4.1 神经网络具有泛化能力的基本必要条件 1.4.2 噪声的影响 1.4.3 “欠拟合”和“过拟合” 1.5 提高神经网络的泛化能力的方法[4，6] 1.5.1 模型结构选择 1.5.2 训练集扩展方法 1.5.3 提前停止 1.5.4 权值衰减 1.5.5 贝叶斯学习 1.5.6 神经网络集成[7-14] 1.6 神经网络模型的评估与选择[4-6，15] 1.6.1 神经网络模型的评估 1.6.2 神经网络模型的选择 本章参考文献第2章 基于BP算法的多层感知器的设计与应用第3章 径向基函数神经网络的设计与应用第4章 SOFM网络设计与应用第5章 LVQ网络设计与应用第6章 对偶传播神经网络第7章 ART网络设计及应用第8章 Hopfield网络的设计与应用第9章 时序递归网络的设计与应用第10章 CMAC网络的设计与应用第11章 支持向量机的设计与应用第12章 人工神经元网络设计开发平台
· · · · · · (收起)