深度學習與信號處理：原理與實踐

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(nèi)容與體系結(jié)構(gòu)13
第2章人工神經(jīng)網(wǎng)絡(luò)15
2.1神經(jīng)網(wǎng)絡(luò)演進15
2.2神經(jīng)網(wǎng)絡(luò)訓練與預(yù)測22
2.3優(yōu)化算法23
2.4計算圖30
2.5正則化懲罰項36
2.6神經(jīng)網(wǎng)絡(luò)BP算法39
2.7過擬合與欠擬合43
2.8實例1：基于前饋神經(jīng)網(wǎng)絡(luò)的動量盲均衡算法52
第3章模糊神經(jīng)網(wǎng)絡(luò)58
3.1隸屬函數(shù)59
3.2常規(guī)模糊神經(jīng)網(wǎng)絡(luò)66
3.3模糊聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)67
3.4神經(jīng)模糊推理系統(tǒng)70
3.5神經(jīng)網(wǎng)絡(luò)近似邏輯72
3.6實例2：基于智能模糊神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈防御系統(tǒng)未知飛行目標識別方法73
第4章概率神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)87
4.4貝葉斯陰陽系統(tǒng)理論90
4.5實例3：基于離散余弦變換和概率神經(jīng)網(wǎng)絡(luò)的腦腫瘤分類方法91
第5章小波神經(jīng)網(wǎng)絡(luò)97
5.1小波理論97
5.2小波神經(jīng)網(wǎng)絡(luò)101
5.3小波神經(jīng)網(wǎng)絡(luò)訓練架構(gòu)106
5.4小波神經(jīng)網(wǎng)絡(luò)優(yōu)化方法107
5.5實例4：基于嵌入小波神經(jīng)網(wǎng)絡(luò)的常模盲均衡算法110
第6章卷積神經(jīng)網(wǎng)絡(luò)116
6.1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)116
6.2卷積神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)結(jié)構(gòu)145
6.6幾種拓展的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)158
6.7實例5：基于深度卷積神經(jīng)網(wǎng)絡(luò)
的遙感圖像分類162
6.8實例6：基于深度卷積神經(jīng)網(wǎng)絡(luò)的運動模糊去除170
第7章深度生成對抗網(wǎng)絡(luò)181
7.1生成對抗網(wǎng)絡(luò)原理181
7.3小波生成對抗網(wǎng)絡(luò)190
7.4多尺度生成對抗網(wǎng)絡(luò)196
7.5實例7：基于條件生成對抗網(wǎng)絡(luò)的三維肝臟及腫瘤區(qū)域自動分割200
7.6實例8：基于深度殘差生成對抗網(wǎng)絡(luò)的運動模糊圖像復(fù)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(tài)特征提取及其識別232
第9章深度信念網(wǎng)絡(luò)238
9.1深度信念網(wǎng)絡(luò)概述238
9.2 Gamma深度信念網(wǎng)絡(luò)243
9.3自適應(yīng)深度信念網(wǎng)絡(luò)246
9.4 KPCA深度信念網(wǎng)絡(luò)248
9.5全參數(shù)動態(tài)學習深度信念網(wǎng)絡(luò)250
9.6深度信念網(wǎng)絡(luò)優(yōu)化252
9.7實例10：基于貪婪方法的深度信念網(wǎng)絡(luò)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(yīng)編碼器267
10.3變分自編碼器268
10.4自編碼回聲狀態(tài)網(wǎng)絡(luò)274
10.5深度典型相關(guān)稀疏自編碼器277
10.6條件雙重對抗自編碼網(wǎng)絡(luò)280
10.7自編碼應(yīng)用模型283
10.8實例11：基于改進LDA和自編碼器的調(diào)制識別算法296
參考文獻303