Artificial Organic Networks: Artificial Intelligence Based on Carbon Networks

این تکنگار سنتز و استفاده از شبکه‌های هیدروکربنی مصنوعی با الهام از بیولوژیکی را برای مدل‌های تقریبی مرتبط با یادگیری ماشین و یک الگوریتم محاسباتی جدید برای بهره‌برداری از آنها توصیف می‌کند. خواننده ابتدا با انواع مختلفی از الگوریتم‌های طراحی‌شده برای مقابله با مسائل تقریبی و سپس از طریق برخی ایده‌های مرسوم شیمی آلی، با ایجاد و توصیف شبکه‌های آلی مصنوعی و به‌ویژه AHN‌ها آشنا می‌شود.

مزایای آن. استفاده از شبکه های ارگانیک با قوانینی که باید برای تطبیق شبکه با اهدافش رعایت شود مورد بحث قرار می گیرد. نظریه گراف به عنوان مبنای فرمالیسم لازم استفاده می شود. مثال‌های شبیه‌سازی‌شده و تجربی از استفاده از منطق فازی و الگوریتم‌های ژنتیک با شبکه‌های عصبی ارگانیک ارائه شده‌اند و تعدادی از مسائل مدل‌سازی مناسب برای درمان توسط AHN شرح داده شده‌اند:

· تقریب؛

· استنتاج؛

· خوشه بندی؛

· کنترل؛

· طبقه بندی. و

· فیلتر سیگنال صوتی.

متن با در نظر گرفتن جهت هایی که در آن AHN ها می توانند در آینده پیاده سازی و توسعه شوند، به پایان می رسد. یک جعبه ابزار کامل LabVIEW™، که از صفحه کتاب در Springer.com قابل دانلود است، خوانندگان را قادر می سازد تا شبکه های عصبی ارگانیک خود را طراحی و پیاده سازی کنند.

رویکرد جدید برای ایجاد شبکه های مناسب برای سیستم های یادگیری ماشین نشان داده شده در شبکه های ارگانیک مصنوعی مورد توجه محققان دانشگاهی و دانشجویان فارغ التحصیل خواهد بود که در زمینه های مرتبط با هوش محاسباتی، کنترل هوشمند، تقریب سیستم ها و شبکه های پیچیده کار می کنند.

This monograph describes the synthesis and use of biologically-inspired artificial hydrocarbon networks (AHNs) for approximation models associated with machine learning and a novel computational algorithm with which to exploit them. The reader is first introduced to various kinds of algorithms designed to deal with approximation problems and then, via some conventional ideas of organic chemistry, to the creation and characterization of artificial organic networks and AHNs in particular.

The advantages of using organic networks are discussed with the rules to be followed to adapt the network to its objectives. Graph theory is used as the basis of the necessary formalism. Simulated and experimental examples of the use of fuzzy logic and genetic algorithms with organic neural networks are presented and a number of modeling problems suitable for treatment by AHNs are described:

· approximation;

· inference;

· clustering;

· control;

· classification; and

· audio-signal filtering.

The text finishes with a consideration of directions in which AHNs could be implemented and developed in future. A complete LabVIEW™ toolkit, downloadable from the book’s page at springer.com enables readers to design and implement organic neural networks of their own.

The novel approach to creating networks suitable for machine learning systems demonstrated in Artificial Organic Networks will be of interest to academic researchers and graduate students working in areas associated with computational intelligence, intelligent control, systems approximation and complex networks.