前言
第1章　關于神經(jīng)網(wǎng)絡的學習1
1.1　生物神經(jīng)元與人工神經(jīng)元1
1.2　激活函數(shù)2
1.3　本章小結4
第2章　神經(jīng)網(wǎng)絡處理的內(nèi)在機理5
2.1　逼近函數(shù)5
2.2　網(wǎng)絡架構6
2.3　前向傳遞計算7
2.4　輸入記錄18
2.5　輸入記錄28
2.6　輸入記錄39
2.7　輸入記錄49
2.8　反向傳播過程計算10
2.9　函數(shù)導數(shù)與函數(shù)發(fā)散11
2.10　最常用的函數(shù)導數(shù)12
2.11　本章小結13
第3章　人工神經(jīng)網(wǎng)絡處理14
3.1　示例1：單點函數(shù)的手動逼近14
3.2　構建神經(jīng)網(wǎng)絡15
3.3　前向傳遞計算16
3.3.1　隱藏層16
3.3.2　輸出層17
3.4　反向傳遞計算18
3.4.1　計算輸出層神經(jīng)元的權值調(diào)整18
3.4.2　計算隱藏層神經(jīng)元的權值調(diào)整20
3.5　更新網(wǎng)絡偏差24
3.6　回到前向傳遞25
3.6.1　隱藏層25
3.6.2　輸出層26
3.7　網(wǎng)絡計算的矩陣形式28
3.8　深入調(diào)查28
3.9　小批次與隨機梯度30
3.10　本章小結30
第4章　配置開發(fā)環(huán)境31
4.1　在Windows計算機上安裝
　Java 11環(huán)境31
4.2　安裝NetBeans IDE33
4.3　安裝Encog Java框架34
4.4　安裝XChart包34
4.5　本章小結35
第5章　使用Java Encog框架開發(fā)神經(jīng)網(wǎng)絡36
5.1　示例2：使用Java環(huán)境進行函數(shù)逼近36
5.2　網(wǎng)絡架構37
5.3　規(guī)范化輸入數(shù)據(jù)集38
5.4　構建規(guī)范化兩個數(shù)據(jù)集的Java程序38
5.5　構建神經(jīng)網(wǎng)絡處理程序45
5.6　程序代碼50
5.7　調(diào)試和執(zhí)行程序66
5.8　訓練方法的處理結果66
5.9　測試網(wǎng)絡67
5.10　測試結果70
5.11　深入調(diào)查71
5.12　本章小結72
第6章　訓練范圍外的神經(jīng)網(wǎng)絡預測73
6.1　示例3a：逼近訓練范圍以外的周期函數(shù)73
6.1.1　示例3a的網(wǎng)絡架構76
6.1.2　示例3a的程序代碼76
6.1.3　測試網(wǎng)絡89
6.2　示例3b：逼近訓練范圍以外的周期函數(shù)的正確方法90
6.2.1　準備訓練數(shù)據(jù)90
6.2.2　示例3b的網(wǎng)絡架構92
6.2.3　示例3b的程序代碼93
6.2.4　示例3b的訓練結果109
6.2.5　示例3b的測試結果110
6.3　本章小結110
第7章　復雜周期函數(shù)的處理112
7.1　示例4：復雜周期函數(shù)的逼近112
7.2　數(shù)據(jù)準備114
7.3　反映數(shù)據(jù)中的函數(shù)拓撲115
7.4　程序代碼120
7.5　訓練網(wǎng)絡137
7.6　測試網(wǎng)絡138
7.7　深入調(diào)查140
7.8　本章小結141
第8章　非連續(xù)函數(shù)的處理142
8.1　示例5：非連續(xù)函數(shù)的逼近142
8.2　程序代碼145
8.3　訓練效果不理想157
8.4　用微批次方法逼近非連續(xù)函數(shù)159
8.5　微批次處理程序代碼160
8.5.1　getChart()方法的程序代碼176
8.5.2　訓練方法的代碼片段1179
8.5.3　訓練方法的代碼片段2180
8.6　微批次方法的訓練結果184
8.7　測試處理邏輯188
8.8　微批次方法的測試結果191
8.9　深入調(diào)查192
8.10　本章小結196
第9章　具有復雜拓撲的連續(xù)函數(shù)的處理197
9.1　示例5a：使用傳統(tǒng)的網(wǎng)絡過程逼近具有復雜拓撲的連續(xù)函數(shù)197
9.1.1　示例5a的網(wǎng)絡架構198
9.1.2　示例5a的程序代碼199
9.1.3　示例5a的訓練處理結果208
9.2　用微批次方法逼近具有復雜拓撲的連續(xù)函數(shù)211
9.3　示例5b：螺旋函數(shù)的逼近232
9.3.1　示例5b的網(wǎng)絡架構234
9.3.2　示例5b的程序代碼235
9.4　用微批次方法逼近同一函數(shù)246
9.5　本章小結267
第10章　用神經(jīng)網(wǎng)絡對對象進行分類268
10.1　示例6：記錄分類268
10.2　訓練數(shù)據(jù)集269
10.3　網(wǎng)絡架構271
10.4　測試數(shù)據(jù)集272
10.5　數(shù)據(jù)規(guī)范化程序代碼273
10.6　分類程序代碼277
10.7　訓練結果297
10.8　測試結果304
10.9　本章小結305
第11章　選擇正確模型的重要性306
11.1　示例7：預測下個月的股市價格306
11.2　在數(shù)據(jù)集中包含函數(shù)拓撲311
11.3　生成微批次文件312
11.4　網(wǎng)絡架構316
11.5　程序代碼317
11.6　訓練過程341
11.7　訓練結果342
11.8　測試數(shù)據(jù)集347
11.9　測試邏輯351
11.10　測試結果358
11.11　分析測試結果360
11.12　本章小結361
第12章　三維空間中的函數(shù)逼近處理362
12.1　示例8：三維空間中函數(shù)的逼近362
12.1.1　數(shù)據(jù)準備363
12.1.2　網(wǎng)絡架構364
12.2　程序代碼365
12.3　本章小結380