Java人工神经网络构建

前言
第1章 关于神经网络的学习
1．1 生物神经元与人工神经元
1．2 激活函数
1．3 本章小结

第2章 神经网络处理的内在机理
2．1 逼近函数
2．2 网络架构
2．3 前向传递计算
2．4 输入记录1
2．5 输入记录2
2．6 输入记录3
2．7 输入记录4
2．8 反向传播过程计算
2．9 函数导数与函数发散
2．10 *常用的函数导数
2．11 本章小结

第3章 人工神经网络处理
3．1 示例1：单点函数的手动逼近
3．2 构建神经网络
3．3 前向传递计算
3．3．1 隐藏层
3．3．2 输出层
3．4 反向传递计算
3．4．1 计算输出层神经元的权值调整
3．4．2 计算隐藏层神经元的权值调整
3．5 更新网络偏差
3．6 回到前向传递
3．6．1 隐藏层
3．6．2 输出层
3．7 网络计算的矩阵形式
3．8 深入调查
3．9 小批次与随机梯度
3．10 本章小结

第4章 配置开发环境
4．1 在Windows计算机上安装Java 11环境
4．2 安装NetBeans IDE
4．3 安装Encog Java框架
4．4 安装XChart包
4．5 本章小结

第5章 使用Java Encog框架开发神经网络
5．1 示例2：使用Java环境进行函数逼近
5．2 网络架构
5．3 规范化输人数据集
5．4 构建规范化两个数据集的Java程序
5．5 构建神经网络处理程序
5．6 程序代码
5．7 调试和执行程序
5．8 训练方法的处理结果
5．9 测试网络
5．10 测试结果
5．11 深入调查
5．12 本章小结

第6章 训练范围外的神经网络预测
6．1 示例3a：逼近训练范围以外的周期函数
6．1．1 示例3a的网络架构
6．1．2 示例3a的程序代码
6．1．3 测试网络
6．2 示例3b：逼近训练范围以外的周期函数的正确方法
6．2．1 准备训练数据
6．2．2 示例3b的网络架构
6．2．3 示例3b的程序代码
6．2．4 示例3b的训练结果
6．2．5 示例3b的测试结果
6．3 本章小结

第7章 复杂周期函数的处理
7．1 示例4：复杂周期函数的逼近
7．2 数据准备
7．3 反映数据中的函数拓扑
7．4 程序代码
7．5 训练网络
7．6 测试网络
7．7 深入调查
7．8 本章小结

第8章 非连续函数的处理
8．1 示例5：非连续函数的逼近
8．2 程序代码
8．3 训练效果不理想
8．4 用微批次方法逼近非连续函数
8．5 微批次处理程序代码
8．5．1 getChart（）方法的程序代码
8．5．2 训练方法的代码片段1
8．5．3 训练方法的代码片段2
8．6 微批次方法的训练结果
8．7 测试处理逻辑
8．8 微批次方法的测试结果
8．9 深入调查
8．10 本章小结

第9章 具有复杂拓扑的连续函数的处理
9．1 示例5a：使用传统的网络过程逼近具有复杂拓扑的连续函数
9．1．1 示例5a的网络架构
9．1．2 示例5a的程序代码
9．1．3 示例5a的训练处理结果
9．2 用微批次方法逼近具有复杂拓扑的连续函数
9．3 示例5b：螺旋函数的逼近
9．3．1 示例5b的网络架构
9．3．2 示例5b的程序代码
9．4 用微批次方法逼近同一函数
9．5 本章小结
……
第10章 用神经网络对对象进行分类
第11章 选择正确模型的重要性
第12章 三维空间中的函数逼近处理