本书分析研究了深度学习相关的网络模型，以及不同网络模型的算法结构、原理与核心思想及实战案例。主要内容涉及人工神经网络、模糊神经网络、概率神经网络、小波神经网络、卷积神经网络及其扩展模型、深度生成对抗网络及其扩展模型、深度受限玻尔兹曼机及其扩展模型、深度信念网络及其扩展模型、深度自编码器及其扩展模型等深度学习网络结构、原理与方法。通过深度学习网络在信道盲均衡、目标识别、图像分类和运动模糊去除、特征提取与识别、缺陷早期诊断等领域中的应用案例，为读者提供应用深度学习网络解决具体问题的思路和方法。本书适合人工智能、计算机、自动化、电子与通信、大数据科学等相关学科专业的科学研究人员和工程技术人员阅读，也可作为相关专业博士、硕士研究生的参考书。
前言
第1章初识深度学习1
1.1深度学习有多深1
1.2深度学习如何学4
1.3深度学习如何提速5
1.4主流深度学习框架12
1.5本书内容与体系结构13
第2章人工神经网络15
2.1神经网络演进15
2.2神经网络训练与预测22
2.3优化算法23
2.4计算图30
2.5正则化惩罚项36
2.6神经网络BP算法39
2.7过拟合与欠拟合43
2.8实例1：基于前馈神经网络的动量盲均衡算法52
第3章模糊神经网络58
3.1隶属函数59
3.2常规模糊神经网络66
3.3模糊联想记忆神经网络67
3.4神经模糊推理系统70
3.5神经网络近似逻辑72
3.6实例2：基于智能模糊神经网络的导弹防御系统未知飞行目标识别方法73
第4章概率神经网络85
4.1模式分类的贝叶斯判定策略85
4.2密度估计的一致性86
4.3概率神经网络87
4.4贝叶斯阴阳系统理论90
4.5实例3：基于离散余弦变换和概率神经网络的脑肿瘤分类方法91
第5章小波神经网络97
5.1小波理论97
5.2小波神经网络101
5.3小波神经网络训练架构106
5.4小波神经网络优化方法107
5.5实例4：基于嵌入小波神经网络的常模盲均衡算法110
第6章卷积神经网络116
6.1卷积神经网络结构116
6.2卷积神经网络128
6.3卷积操作的变种129
6.4池化操作的变种137
6.5常见的几种卷积神经网络结构145
6.6几种拓展的卷积神经网络结构158
6.7实例5：基于深度卷积神经网络
的遥感图像分类162
6.8实例6：基于深度卷积神经网络的运动模糊去除170
第7章深度生成对抗网络181
7.1生成对抗网络原理181
7.3小波生成对抗网络190
7.4多尺度生成对抗网络196
7.5实例7：基于条件生成对抗网络的三维肝脏及肿瘤区域自动分割200
7.6实例8：基于深度残差生成对抗网络的运动模糊图像复原208
第8章深度受限玻尔兹曼机216
8.1玻尔兹曼机216
8.2稀疏受限玻尔兹曼机及竞争学习220
8.3分类受限玻尔兹曼机与改进模型226
8.4 (2D)2PCA受限玻尔兹曼机230
8.5实例9：受限玻尔兹曼机的步态特征提取及其识别232
第9章深度信念网络238
9.1深度信念网络概述238
9.2 Gamma深度信念网络243
9.3自适应深度信念网络246
9.4 KPCA深度信念网络248
9.5全参数动态学习深度信念网络250
9.6深度信念网络优化252
9.7实例10：基于贪婪方法的深度信念网络诊断注意缺陷多动障碍259
第10章深度自编码器264
10.1自编码器264
10.2稀疏自适应编码器267
10.3变分自编码器268
10.4自编码回声状态网络274
10.5深度典型相关稀疏自编码器277
10.6条件双重对抗自编码网络280
10.7自编码应用模型283
10.8实例11：基于改进LDA和自编码器的调制识别算法296
参考文献303
书单推荐
