Wodzisław Duch (red.), Józef Korbicz (red.), Leszek Rutkowski (red.), Ryszard Tadeusiewicz (red.), "Biocybernetyka i inżynieria biomedyczna", Tom 6, "Sieci neuronowe"

 

Akademicka Oficyna Wydawnicza EXIT, Warszawa, 2000
ISBN 83-87674-18-4
Redaktor serii: Maciej Nałęcz

 

CZĘŚĆ I. ARCHITEKTURY, ALGORYTMY UCZENIA I PROJEKTOWANIE SIECI (1)
1. Wstęp do sieci neuronowych (3)
1.1. Wprowadzenie (3)
1.2. Biologiczne inspiracje neurokomputingu (10)
1.3. Podstawowy model neuronu i sieci neuronowej (14)
1.4. Działanie sieci neuronowej i jej uczenie (20)
1.5. Intuicyjne przedstawienie sposobu działania i procesu uczenia przykładowej prostej sieci neuronowej (23)
1.6. Przykład uczenia prostej sieci neuronowej (25)
1.7. podsumowanie (28)
Bibliografia (28)
2. Wstępne przetwarzanie danych (29)
2.1. Wprowadzenie (29)
2.2. Reprezentacja danych (31)
2.3. Przetwarzanie wstępne (32)
2.4. Formowanie zbiorów obrazów (56)
2.5. Przetwarzanie zbiorów danych treningowych (60)
2.6. Podział zbioru obrazów na próbki uczące i testujące (67)
2.7. Podsumowanie (69)
Bibliografia (70)
3. Metoda wstecznej propagacji błędów i jej modyfikacje (73)
3.1. Wprowadzenie (73)
3.2. Metoda wstecznej propagacji błędów (80)
3.3. Modyfikacje metody wstecznej propagacji błędów (83)
3.4. Podsumowanie (106)
Bibliografia (109)
4. Zastosowanie algorytmu RLS do uczenia sieci neuronowych (111)
4.1. Wprowadzenie (111)
4.2. Zastosowanie algorytmu RLS do uczenia sieci neuronowych w przypadku liniowej funkcji aktywacji (115)
4.3. Zastosowanie algorytmu RLS do uczenia sieci neuronowych - obliczanie błędów w części liniowej neuronów (122)
4.4. Zastosowanie algorytmu RLS do uczenia sieci neuronowych w przypadku linearyzacji funkcji aktywacji (126)
4.5. Podsumowanie (132)
Bibliografia (133)
5. Neuronowe sieci modularne (135)
5.1. Wprowadzenie (135)
5.2. Ogólne założenia (137)
5.3. Poziomy informacji na wyjściu klasyfikatora (138)
5.4. Kombinowanie odpowiedzi dla wielosieciowego klasyfikatora (139)
5.5. Architektury i uczenie sieci modularnych (160)
5.6. Wybrane przykłady zastosowań (165)
5.7. Podsumowanie (173)
Bibliografia (175)
6. Samoorganizujące sieci neuronowe (179)
6.1. Wprowadzenie (179)
6.2. Sieci Kohonena (181)
6.3. Konkurencja - proste sieci działające na zasadzie konkurencji (188)
6.4. Wektorowa kwantyzacja a sieci SOM (190)
6.5. Teoretyczne własności SOM (192)
6.6. Obrazowanie wielowymiarowych danych i redukcja wymiaru problemu (199)
6.7. Praktyczne aspekty obliczeń przy pomocy SOM (200)
6.8. Sieci samoorganizujące z sąsiedztwem definiowanym adaptacyjnie (205)
6.9. Sieci samorozwijające (208)
6.10. Inne sieci z samoorganizacją (208)
6.11. Podsumowanie (216)
Bibliografia (216)
7. Statyczne i dynamiczne sieci GMDH (227)
7.1. Wprowadzenie (227)
7.2. Algorytm GMDH (228)
7.3. Uogólnienia algorytmu GMDH (243)
7.4. Zastosowanie sieci GMDH (251)
7.5. podsumowanie (254)
Bibliografia (255)
8. Ontogeniczne sieci neuronowe (257)
8.1. Wstęp (257)
8.2. Modelowanie zmniejszające strukturę sieci (259)
8.3. Modele o strukturach rozstających się (267) 
8.4. Sieć IncNet ze statystyczną kontrolą złożoności sieci (274)
8.5. Przykładowe zastosowanie sieci IncNet (288)
8.6. Podsumowanie (290)
Bibliografia (290)
9. Strategie projektowania sieci neuropodobnych ((295)
9.1. Wprowadzenie (295)
9.2. Separowalne zbiory danych (297)
9.3. Warstwy neuronów formalnych (298)
9.4. Projektowanie warstw rangowych (301)
9.5. Projektowanie warstw dipolowych (305)
9.6. Perceptronowa funkcja kryterialna (308)
9.7. Dipolowa funkcja kryterialna (312)
9.8. Algorytmy wymiany rozwiązań bazowych (313)
9.9. Projektowanie struktur hierarchicznych (316)
9.10. Uwagi końcowe (319)
Bibliografia (320)
10. Optymalizacja architektury sieci neuronowych (323)
10.1. Wprowadzenie (323)
10.2. Problem optymalizacji architektury sieci (324)
10.3. Dobór architektury sieci MLP (327)
10.4 Podsumowanie (365) 
Bibliografia (365)

CZĘŚĆ II. ZASTOSOWANIA

11. Aproksymacja funkcji przy pomocy jednokierunkowych sieci neuronowych (371)
11.1. Wprowadzenie (371)
11.2. Zdolności aproksymacyjne sieci sigmoidalnych (373)
11.3. Sieci o bazach radialnych (379)
11.4. Podsumowanie (385)
Bibliografia (386)
12. Sieci dynamiczne i ich zastosowanie w modelowaniu i identyfikacji (389)
12.1. Wprowadzenie (389)
12.2. Modelowanie neuronowe (390)
12.3. Dynamiczne modele neuronów (391)
12.4. Architektury sieci dynamicznych (402)
12.5. Zastosowania (408)
12.6. Podsumowanie (413)
Bibliografia (414)
13. Sieci neuronowe w identyfikacji systemów Wienera i Hammersteina (419)
13.1. Wprowadzenie (419)
13.2. Systemy Wienera i Hammersteina (420)
13.3. Metody identyfikacji systemów Wienera i Hammersteina (422)
13.4. Modele neuronowe systemów Wienera i Hammersteina (425)
13.5. Algorytmy uczenia neuronowych modeli systemów Wienera i Hammersteina (429)
13.6. Podsumowanie (453)
Bibliografia (454)
14. Sieci neuronowe w przetwarzaniu i rozpoznawaniu obrazów (459)
14.1. Wprowadzenie (459)
14.2. Przetwarzanie i rozpoznawanie obrazów - przegląd problemów (460)
14.3. Rodzaj zadania a zastosowane przetwarzanie wstępne obrazu (464)
14.4. Przegląd sieci, używanych do przetwarzania i rozpoznawania obrazów (471)
14.5. Przykłady zastosowań (475)
14.6. Aktywne systemy wizyjne a sieci neuronowe (482)
14.7. Podsumowanie i perspektywy (487)
Bibliografia (490)
15. Wybrane obszary biomedycznych zastosowań sieci neuronowych (495)
15.1. Wprowadzenie (495)
15.2. Powody popularności sieci neuronowych (497)
15.3. Obszary tematyczne, w których sieci neuronowe są najczęściej stosowane w biocybernetyce i inżynierii biomedycznej (501)
15.4. Podsumowanie (510)
Bibliografia (511)
16. Neuronowe metody analizy szeregów czasowych i możliwości ich zastosowań w zagadnieniach biomedycznych (521)
16.1.Wprowadzenie (521)
16.2. Cechy modeli neuronowych (526)
16.3. Ograniczenia stosowalności neuronowych modeli szeregów czasowych (529)
16.4. Przykłady użycia sieci neuronowych w analizie szeregów czasowych (530)
16.5. Schemat budowy neuronowego modelu szeregu czasowego (531)
16.6. Wstępna analiza pierwotnego szeregu czasowego (532)
16.7. Budowa modeli cząstkowych (537)
16.8. Wybór rodzaju sieci neuronowej (538)
16.9. Dobór zmiennych wejściowych (542)
16.10. Określenie struktury modelu (544)
16.11. Preprocessing składowych szeregu (550)
16.12. Estymacja modeli cząstkowych i ocena ich poprawności (553) 
16.13. Konstrukcja modelu zagregowanego (555)
16.14. Ocena poprawności modelu (555)
16.15. Podsumowanie (565)
Bibliografia (566) 
17. Analiza szeregów czasowych obrazów fMRI (569)
17.1. Wprowadzenie (569)
17.2. Badania fMRI (570)
17.3. Wstępna obróbka skanów (571)
17.4. Metody detekcji aktywacji funkcjonalnej (572)
17.5. PCA - analiza składowych głównych (574)
17.6. ICA - analiza składowych niezależnych (576)
17.7. Rozkład PCA/ICA dla danych fMRI (580)
17.8. Przykład zastosowania ICA w analizie fMRI (583)
17.9. Podsumowanie (585)
Bibliografia (587)

18. Sieci neuronowe w modelowaniu zaburzeń neuropsychologicznych i chorób psychicznych (589)

18.1. Wprowadzenie (589)
18.2. Problemy neurologiczne (592)
18.3. Zaburzenia pamięci (595)
18.4. Choroba Alzheimera (598)
18.5. zaburzenia językowe (600)
18.6. Choroby psychiczne (604)
18.7. Sieci atraktorowe (606)
18.8. Podsumowanie (611)
Bibliografia (613)
19. Sieci neuronowe i logika rozmyta w medycynie - przegląd zastosowań (617)
19.1. Wprowadzenie (617)
19.2. Inteligentne systemy obliczeniowe (618)
19.3. Zastosowania sieci neuronowych (620)
19.4. Zastosowania systemów rozmytych (624)
19.5. podsumowanie (627)
Bibliografia (628)
CZĘŚĆ III METODY HYBRYDOWE (635)
20. Neuronowe metody odkrywania wiedzy w danych (637)
20.1. Wprowadzenie (637)
20.2. Różne formy reprezentacji wiedzy (638)
20.3. Ekstrakcja reguł logicznych (639)
20.4. Optymalizacja reguł (650)
20.5. Rozmywanie reguł (651)
20.6. Wyniki (651)
20.7. Podsumowanie (658)
Bibliografia (658)
21. Sieci neuronowe i uczenie maszynowe: próba integracji (663)
21.1. Wprowadzenie (663)
21.2. Schemat metod opartych na podobieństwie (665)
21.3. Sieci MLP a metody oparte na podobieństwie (676)
21.4. Pamięć asocjacyjna, dopełnianie wzorców i brakujących wartości (681)
21.5. Implementacja i realizacja sieciowa (683) 
21.6. Przykładowe wyniki (687)
21.7. Podsumowanie (687)
Bibliografia (689)
22. Algorytmy genetyczne i ewolucyjne (691)
22.1. Wprowadzenie (691)
22.2. Opis algorytmu genetycznego (692)
22.3. Przykład działania algorytmu genetycznego (696)
22.4. Matematyczne podstawy działania algorytmów genetycznych (702)
22.5. Algorytmy ewolucyjne (704)
22.6. Modyfikacje podstawowego algorytmu genetycznego (705)
22.7. Strategie ewolucyjne i programowanie ewolucyjne (711)
22.8. Programowanie genetyczne (712)
22.9. Algorytm ewolucyjny z miękką selekcją (713)
22.10. Symulowane wyżarzanie (714)
22.11. Zastosowanie algorytmów genetycznych i ewolucyjnych do sieci neuronowych (714)
22.12. Ewolucyjne uczenie sieci neuronowych (715)
22.13. Optymalizacja wag sieci neuronowych za pomocą algorytmu genetycznego (717) 
22.14. Hybrydowa metoda optymalizacji wag sieci neuronowych (723)
22.15. Optymalizacja architektury sieci neuronowych za pomocą algorytmu ewolucyjnego (724)
22.16. Inne zastosowania algorytmów genetycznych i ewolucyjnych (728)
22.17. Podsumowanie (728)
Bibliografia (729)
23. Systemy rozmyte i rozmyto-neuronowe (733)
23.1. Wprowadzenie (733)
23.2. Zbiory rozmyte i logika rozmyta (734)
23.3. Systemy rozmyte (746)
23.4. Systemy rozmyto-neuronowe (753)
23.5. Podsumowanie (762)
Bibliografia (763)
24. Inteligentne systemy obliczeniowe i sztuczna inteligencja (765)
24.1. Wprowadzenie (765)
24.2. Koncepcja inteligentnego systemu obliczeniowego (766)
24.3. Realizacje inteligentnych systemów obliczeniowych (768)
24.4. Zastosowania inteligentnych systemów obliczeniowych (771)
24.5. Inteligentne systemy obliczeniowe a systemy sztucznej inteligencji (773)
24.6. Podsumowanie (779)
Bibliografia (780)
25. Metody hybrydowe w diagnostyce medycznej (785)
25.1. Wprowadzenie (785)
25.2. Algorytm grupowania danych (786)
25.3. Baza reguł systemu rozmyto-neuronowego (789)
25.4. Architektura i uczenie systemu rozmyto-neuronowego (791)
25.5. Zastosowanie do diagnozy choroby serca (794)
25.6. Diagnostyka komórek nowotworowych (795)
25.7. Podsumowanie (797)
Bibliografia (798)
26. Model FSM w zastosowaniu do klasyfikacji (801)
26.1. Wprowadzenie (801)
26.2. FSM (803)
26.3. Architektura sieci FSM (805)
26.4. Inicjalizacja (807)
26.5. Algorytm uczenia (811)
26.6. Przykładowe rezultaty (818)
26.7. Podsumowanie (822)
Bibliografia (823)
Spis rysunków (825)
Spis tabel (832)

 

© 2002-2004 Centralny Instytut Ochrony Pracy - Państwowy Instytut Badawczy www.anc.pl, www.ciop.pl