Java人工神经网络构建

本书涵盖了开发神经网络应用程序的许多方面。从头开始解释神经网络是如何工作的，然后以训练一个小神经网络为例，手动进行所有的计算。本书涵盖了前向和后向传播的内部内容，有助于理解神经网络处理的主要

原理。它使你很快熟悉了前向和后向传播技术的所有基本原理。这本书还教你如何准备用于神经网络开发的数据，并为许多非传统的神经网络处理任务提出各种数据准备方法。

前言

1章 关于神经网络的学习 1

1.1 生物神经元与人工神经元 1

1.2 激活函数 2

1.3 本章小结 4

2章 神经网络处理的内在机理 5

2.1 逼近函数 5

2.2 网络架构 6

2.3 前向传递计算 7

2.4 输入记录1 8

2.5 输入记录2 8

2.6 输入记录3 9

2.7 输入记录4 9

2.8 反向传播过程计算 10

2.9 函数导数与函数发散 11

2.10 常用的函数导数 12

2.11 本章小结 13

3章 人工神经网络处理 14

3.1 示例1：单点函数的手动逼近 14

3.2 构建神经网络 15

3.3 前向传递计算 16

3.3.1 隐藏层 16

3.3.2 输出层 17

3.4 反向传递计算 18

3.4.1 计算输出层神经元的权值调整 18

3.4.2 计算隐藏层神经元的权值调整 20

3.5 更新网络偏差 24

3.6 回到前向传递 25

3.6.1 隐藏层 25

3.6.2 输出层 26

3.7 网络计算的矩阵形式 28

3.8 深入调查 28

3.9 小批次与随机梯度 30

3.10 本章小结 30

4章 配置开发环境 31

4.1 在Windows计算机上安装

Java 11环境 31

4.2 安装NetBeans IDE 33

4.3 安装Encog Java框架 34

4.4 安装XChart包 34

4.5 本章小结 35

5章 使用Java Encog框架开发神经网络 36

5.1 示例2：使用Java环境进行函数逼近 36

5.2 网络架构 37

5.3 规范化输入数据集 38

5.4 构建规范化两个数据集的Java程序 38

5.5 构建神经网络处理程序 45

5.6 程序代码 50

5.7 调试和执行程序 66

5.8 训练方法的处理结果 66

5.9 测试网络 67

5.10 测试结果 70

5.11 深入调查 71

5.12 本章小结 72

6章 训练范围外的神经网络预测 73

6.1 示例3a：逼近训练范围以外的周期函数 73

6.1.1 示例3a的网络架构 76

6.1.2 示例3a的程序代码 76

6.1.3 测试网络 89

6.2 示例3b：逼近训练范围以外的周期函数的正确方法 90

6.2.1 准备训练数据 90

6.2.2 示例3b的网络架构 92

6.2.3 示例3b的程序代码 93

6.2.4 示例3b的训练结果 109

6.2.5 示例3b的测试结果 110

6.3 本章小结 110

7章 复杂周期函数的处理 112

7.1 示例4：复杂周期函数的逼近 112

7.2 数据准备 114

7.3 反映数据中的函数拓扑 115

7.4 程序代码 120

7.5 训练网络 137

7.6 测试网络 138

7.7 深入调查 140

7.8 本章小结 141

8章 非连续函数的处理 142

8.1 示例5：非连续函数的逼近 142

8.2 程序代码 145

8.3 训练效果不理想 157

8.4 用微批次方法逼近非连续函数 159

8.5 微批次处理程序代码 160

8.5.1 getChart()方法的程序代码 176

8.5.2 训练方法的代码片段1 179

8.5.3 训练方法的代码片段2 180

8.6 微批次方法的训练结果 184

8.7 测试处理逻辑 188

8.8 微批次方法的测试结果 191

8.9 深入调查 192

8.10 本章小结 196

9章 具有复杂拓扑的连续函数的处理 197

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 197

9.1.1 示例5a的网络架构 198

9.1.2 示例5a的程序代码 199

9.1.3 示例5a的训练处理结果 208

9.2 用微批次方法逼近具有复杂拓扑的连续函数 211

9.3 示例5b：螺旋函数的逼近 232

9.3.1 示例5b的网络架构 234

9.3.2 示例5b的程序代码 235

9.4 用微批次方法逼近同一函数 246

9.5 本章小结 267

10章 用神经网络对对象进行分类 268

10.1 示例6：记录分类 268

10.2 训练数据集 269

10.3 网络架构 271

10.4 测试数据集 272

10.5 数据规范化程序代码 273

10.6 分类程序代码 277

10.7 训练结果 297

10.8 测试结果 304

10.9 本章小结 305

11章 选择正确模型的重要性 306

11.1 示例7：预测下个月的股市* 306

11.2 在数据集中包含函数拓扑 311

11.3 生成微批次文件 312

11.4 网络架构 316

11.5 程序代码 317

11.6 训练过程 341

11.7 训练结果 342

11.8 测试数据集 347

11.9 测试逻辑 351

11.10 测试结果 358

11.11 分析测试结果 360

11.12 本章小结 361

12章 三维空间中的函数逼近处理 362

12.1 示例8：三维空间中函数的逼近 362

12.1.1 数据准备 363

12.1.2 网络架构 364

12.2 程序代码 365

12.3 本章小结 380