Нейронные сети для распознавания образов

Neural Networks for Pattern Recognition
Chris Bishop
1995-11-23
SCID:  54.1/9sq9cnxh Discuss with AI
байесовские методысети с прямой связьюмногослойный перцептронраспознавание образовсеть с радиальными базисными функциями
Abstract (AI)
В этой книге впервые дается всестороннее изложение прямых (feed-forward) нейронных сетей с точки зрения статистического распознавания образов. После введения в базовые понятия распознавания образов книга описывает методы моделирования функций плотности вероятности и обсуждает свойства и относительные преимущества моделей многослойного персептрона и сетей с радиально-базисными функциями. Также обосновывается использование различных форм функций ошибки и рассматриваются основные алгоритмы минимизации функций ошибки. Помимо подробного обсуждения обучения и обобщения в нейронных сетях, книга охватывает важные темы предобработки данных, выделения признаков и априорных знаний. Книга завершается обширным изложением байесовских методов и их применений в нейронных сетях.
Key Findings
1
Рассматривается включение априорных знаний в модели нейронных сетей.
2
Сравниваются свойства и относительные достоинства многослойных перцептронов и сетей с радиально-базисными функциями.
3
Описаны методы моделирования функций плотности вероятности, актуальные для распознавания образов с помощью нейросетей.
4
Обосновывается и анализируется использование различных функций ошибки и рассматриваются основные алгоритмы минимизации функций ошибки.
5
Дано подробное обсуждение обучения и обобщения в нейронных сетях, включая обработку данных и извлечение признаков.
6
Представлено обстоятельное изложение байесовских методов и их применения к нейронным сетям.
7
Представлено всестороннее изложение прямых нейронных сетей с позиции статистического распознавания образов.
Research Object

Прямые (feed-forward) нейронные сети (многослойный персептрон и радиально-базисные сети)

Research Subject

Их применение в статистическом распознавании образов, включая моделирование плотностей вероятности, функции ошибки и алгоритмы их минимизации, обучение и обобщение, обработку данных, выделение признаков, интеграцию априорных знаний и байесовские методы

Publication Details
Publication Date
1995-11-23
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Chris Bishop
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%