神经网络原理(原书第2版) (豆瓣)

　　神经网络是计算智能和机器学习研究的最活跃的分支之一。本书全面系统地介绍神经网 络的基本概念、系统理论和实际应用。
　　
　　　　本书包含四个组成部分：导论，监督学习，无监督学习，神经网络动力学模型。导论部 分介绍神经元模型、神经网络结构和机器学习的基本概念和理论。监督学习讨论感知机学习 规则，有监督的Hebb学习，Widrow-Hoff学习算法，反向传播算法及其变形，RBF网络，正则 化网络，支持向量机以及委员会机器。无监督学习包括主分量分析，自组织特征映射模型的 竞争学习形式，无监督学习的信息理论，植根于统计力学的随机学习机器，最后是与动态规 划相关的增强式学习。神经网络动力学模型研究由短期记忆和分层前馈网络构成的动态系统， 反馈非线性动态系统的稳定性和联想记忆，以及另一类非线性动态驱动的递归网络系统。
　　
　　　　本书注重对数学分析方法和性能优化的讨论，强调神经网络在模式识别、信号处理和控制 系统等实际工程问题中的应用。书中包含大量例题和习题，并配有13个基于MATLAB软件的计算 机实验程序。
　　
　　　　本书适于作研究生或大学高年级学生的教材，也可作希望深入学习神经网络的科技人员的 参考书。　　

作者简介 · · · · · ·

　　Simon Haykin是加拿大McMaster大学教授，创办了通信研究实验室，并长期担任主任。他是国际电子电气工程界的著名学者，于1953年获得英国伯明翰大学博士学位。曾获得IEEE McNaughton金奖。他是加拿大皇家学会院士，IEEE会士，在神经网络、通信、自适应滤波器等领域成果颇丰，著有多种标准教材。