Java人工神經網絡構建 Artificial Neural Networks with Java: Tools for Building Neural Network Applications

Igor Livshin

在兩家大型保險公司（Continental Insurance和伊利諾伊州的Blue Cross & Blue Shield）
擔任高級J2EE架構師多年，開發大型企業應用程序。
他在2003年出版了他的第一本書WebStudio Application Developer 5.0。
他目前在Dev Technologies公司擔任高級架構師，專注於開發神經網絡應用程序。
Igor擁有Institute of Technology in Odessa的計算機科學碩士學位。

目錄
前言
第1章關於神經網絡的學習
1．1生物神經元與人工神經元
1．2激活函數
1．3本章小結

第2章神經網絡處理的內在機理
2．1逼近函數
2．2網絡架構
2． 3前向傳遞計算
2．4輸入記錄1
2．5輸入記錄2
2．6輸入記錄3
2．7輸入記錄4
2．8反向傳播過程計算
2．9函數導數與函數發散
2．10最常用的函數導數
2．11本章小結

第3章人工神經網絡處理
3．1示例1：單點函數的手動逼近
3．2構建神經網絡
3．3前向傳遞計算
3．3．1隱藏層
3．3 ．2輸出層
3．4反向傳遞計算
3．4．1計算輸出層神經元的權值調整
3．4．2計算隱藏層神經元的權值調整
3．5更新網絡偏差
3．6回到前向傳遞
3．6．1隱藏層
3．6．2輸出層
3．7網絡計算的矩陣形式
3．8深入調查
3．9小批次與隨機梯度
3．10本章小結

第4章配置開發環境
4．1在Windows計算機上安裝Java 11環境
4．2安裝NetBeans IDE
4．3安裝Encog Java框架
4．4安裝XChart包
4．5本章小結

第5章使用Java Encog框架開發神經網絡
5．1示例2 ：使用Java環境進行函數逼近
5．2網絡架構
5．3規範化輸人數據集
5．4構建規範化兩個數據集的Java程序
5．5構建神經網絡處理程序
5．6程序代碼
5．7調試和執行程序
5．8訓練方法的處理結果
5．9測試網絡
5．10測試結果
5．11深入調查
5．12本章小結

第6章訓練範圍外的神經網絡預測
6．1示例3a：逼近訓練範圍以外的周期函數
6．1．1示例3a的網絡架構
6．1．2示例3a的程序代碼
6．1．3測試網絡
6．2示例3b：逼近訓練範圍以外的周期函數的正確方法
6．2． 1準備訓練數據
6．2．2示例3b的網絡架構
6．2．3示例3b的程序代碼
6．2．4示例3b的訓練結果
6．2．5示例3b的測試結果
6．3本章小結

第7章複雜週期函數的處理
7．1示例4：複雜週期函數的逼近
7．2數據準備
7．3反映數據中的函數拓撲
7．4程序代碼
7．5訓練網絡
7．6測試網絡
7．7深入調查
7．8本章小結

第8章非連續函數的處理
8．1示例5：非連續函數的逼近
8．2程序代碼
8．3訓練效果不理想
8．4用微批次方法逼近非連續函數
8．5微批次處理程序代碼
8．5．1 getChart（）方法的程序代碼
8．5．2訓練方法的代碼片段1
8．5．3訓練方法的代碼片段2
8．6微批次方法的訓練結果
8．7測試處理邏輯
8．8微批次方法的測試結果
8．9深入調查
8．10本章小結

第9章具有復雜拓撲的連續函數的處理
9．1示例5a：使用傳統的網絡過程逼近具有復雜拓撲的連續函數
9．1．1示例5a的網絡架構
9．1．2示例5a的程序代碼
9．1．3示例5a的訓練處理結果
9．2用微批次方法逼近具有復雜拓撲的連續函數
9．3示例5b：螺旋函數的逼近
9．3．1示例5b的網絡架構
9．3．2示例5b的程序代碼
9．4用微批次方法逼近同一函數
9．5本章小結
……
第10章用神經網絡對對象進行分類
第11章選擇正確模型的重要性
第12章三維空間中的函數逼近處理