本书结合作者团队多年来的研究工作和实践经验，系统阐述构造型随机权神经网络（constructive random weight neural networks,CRWNN）的理论方法、关键技术及其在智能建模与协同学习中的实际应用。本书的主要内容包括：随机权神经网络的基本原理与发展现状，构造学习的核心思想与结构增长机制，增量式、并行式及多目标耦合式构造算法，基于几何控制与轻量化求解的高效训练策略，模型收敛性与泛化性的理论分析，面向联邦学习与特权信息学习的隐私保护建模框架，以及在分类、回归、异常检测、工业过程建模等任务中的实验验证与工程应用。

更多科学出版社服务，请扫码获取。

江苏省优秀青年基金获得者，入选中国矿业大学“高端人才计划”优秀青年学者，现任中国自动化学会过程控制、大数据、自适应动态规划与强化学习、环境感知与保护自动化、智能制造系统以及中国指挥与控制学会集群智能与协同控制等专委会委员。

目录
第1章 绪论 1
1.1 随机权神经网络的基本概念 2
1.2 随机权神经网络理论基础 4
1.3 随机权神经网络发展简史 4
1.3.1 构造学习方法 5
1.3.2 增量随机构造学习方法 8
1.3.3 约束增量随机构造学习方法 9
1.4 评价指标 11
参考文献 12
第2章 增量构造型随机权神经网络 19
2.1 增量构造随机方法 19
2.2 随机配置方法 22
2.3 可解释几何增量构造型方法 25
2.3.1 空间几何分析 25
2.3.2 理论描述 27
2.4 网络输出权评估算法 31
2.4.1 基于SVD求解输出权值 32
2.4.2 基于LU分解求解输出权值 33
2.4.3 基于QR分解求解输出权值 34
2.4.4 基于LDL分解求解输出权值 34
2.4.5 基于Cholesky分解求解输出权值 35
2.4.6 基于Greville迭代的输出权值评估算法 36
2.5 仿真实验 38
2.5.1 各输出权值方法对比 38
2.5.2 各随机构造方法对比 39
参考文献 40
第3章 并行构造型随机权神经网络 42
3.1 多点并行增量构造学习方法 43
3.1.1 块增量学习策略 43
3.1.2 多点并行增量构造学习算法 45
3.1.3 算法测试 49
3.2 自适应监督的多点并行增量构造学习方法 56
3.2.1 监督策略中的超参数分析 56
3.2.2 自适应监督的多点并行增量构造学习算法 57
3.2.3 算法测试 60
3.3 模型？数据混合并行增量构造学习方法 64
3.3.1 模型并行策略 64
3.3.2 数据并行策略 67
3.3.3 模型？数据混合并行算法 69
3.3.4 算法测试 70
参考文献 73
第4章 多目标耦合构造型随机权神经网络 75
4.1 模块化堆叠结构多目标耦合学习方法 75
4.1.1 多目标模块化堆叠结构建模框架 76
4.1.2 同步堆叠多目标建模算法 76
4.1.3 异步堆叠多目标建模算法 78
4.1.4 算法测试 81
4.2 多尺度核多目标耦合学习方法 88
4.2.1 多尺度核多目标建模框架 88
4.2.2 多目标隔离开建模机制 89
4.2.3 多尺度核空间建模算法 90
4.2.4 算法测试 95
4.3 异常值鲁棒多核多目标耦合学习方法 102
4.3.1 异常值鲁棒多核多目标建模框架 102
4.3.2 多核学习空间建模算法 103
4.3.3 最大相关熵鲁棒建模算法 104
4.3.4 算法测试 107
参考文献 112
第5章 面向数据安全的分布式构造型随机权神经网络 114
5.1 基于横向联邦学习的分布式构造学习 114
5.1.1 横向联邦学习中的增量构造问题 114
5.1.2 横向联邦增量学习算法 116
5.1.3 横向联邦监督增量学习算法 118
5.1.4 算法测试 124
5.2 基于纵向联邦学习的分布式增量构造学习 130
5.2.1 纵向联邦学习中的增量构造问题 130
5.2.2 纵向联邦增量学习算法 132
5.2.3 纵向联邦监督增量学习算法 136
5.2.4 算法测试 139
5.3 基于个性化联邦学习的分布式增量构造学习 141
5.3.1 个性化联邦学习中的增量构造问题 142
5.3.2 基于分布共识的联邦增量迁移学习算法 142
5.3.3 基于模型信息的共识组织建立算法 143
5.3.4 算法测试 150
参考文献 154
第6章 鲁棒随机权神经网络 157
6.1 基于核密度估计的鲁棒学习方法 157
6.1.1 核密度估计简介 157
6.1.2 KDE？RLM设计与实现 160
6.1.3 算法测试 163
6.2 基于厚尾拉普拉斯分布的鲁棒学习方法 167
6.2.1 拉普拉斯分布简介 167
6.2.2 期望最大化算法 168
6.2.3 Lap？RLM设计与实现 172
6.2.4 算法测试 176
6.3 基于广义双曲偏斜学生氏t分布的鲁棒学习方法 180
6.3.1 广义双曲偏斜学生氏t分布简介 181
6.3.2 GHSkewt？RLM设计与实现 183
6.3.3 算法测试 190
参考文献 193
第7章 工业应用 197
7.1 重介质分选 197
7.1.1 重介质分选生产工艺描述 197
7.1.2 重介质分选关键设备描述 199
7.1.3 重介质分选建模难点分析 201
7.1.4 鲁棒随机权神经网络在重介质分选过程中的应用 203
7.2 煤炭浮选 217
7.2.1 煤炭浮选生产工艺描述 217
7.2.2 煤炭浮选关键设备描述 218
7.2.3 煤炭浮选建模难点分析 223
7.2.4 正则化随机权神经网络在煤炭浮选过程中的应用 224
参考文献 233