دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: E. Vonk, L. C. Jain, R. P. Johnson سری: Advances in Fuzzy Systems: Application and Theory ISBN (شابک) : 9810231067, 9789810231064 ناشر: World Scientific Pub Co Inc سال نشر: 1998 تعداد صفحات: 182 [194] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 73 Mb
در صورت تبدیل فایل کتاب Automatic Generation of Neural Network Architecture Using Evolutionary Computation به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تولید خودکار معماری شبکه عصبی با استفاده از محاسبات تکاملی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب کاربرد محاسبات تکاملی را در تولید خودکار یک معماری شبکه عصبی توضیح میدهد. معماری تاثیر بسزایی بر عملکرد شبکه عصبی دارد. روش معمول استفاده از آزمون و خطا برای یافتن یک معماری شبکه عصبی مناسب برای یک مشکل معین است. فرآیند آزمون و خطا نه تنها زمان بر است، بلکه ممکن است یک شبکه بهینه ایجاد نکند. استفاده از محاسبات تکاملی گامی به سوی اتوماسیون در تولید معماری شبکه های عصبی است. مروری بر حوزه محاسبات تکاملی، همراه با پیشینه بیولوژیکی که این زمینه از آن الهام گرفته شده، ارائه شده است. متداولترین رویکردهای مورد استفاده برای پایههای ریاضی حوزه الگوریتمهای ژنتیک، و همچنین مروری بر هیبریداسیون بین محاسبات تکاملی و شبکههای عصبی ارائه شدهاند. آزمایشهایی بر روی اجرای تولید شبکه عصبی خودکار با استفاده از برنامهریزی ژنتیک و یکی با استفاده از الگوریتمهای ژنتیک شرح داده شدهاند و کارایی الگوریتمهای ژنتیک بهعنوان یک الگوریتم یادگیری برای یک شبکه عصبی پیشخور نیز بررسی میشود.
This book describes the application of evolutionary computation in the automatic generation of a neural network architecture. The architecture has a significant influence on the performance of the neural network. It is the usual practice to use trial and error to find a suitable neural network architecture for a given problem. The process of trial and error is not only time-consuming but may not generate an optimal network. The use of evolutionary computation is a step towards automation in neural network architecture generation. An overview of the field of evolutionary computation is presented, together with the biological background from which the field was inspired. The most commonly used approaches to a mathematical foundation of the field of genetic algorithms are given, as well as an overview of the hybridization between evolutionary computation and neural networks. Experiments on the implementation of automatic neural network generation using genetic programming and one using genetic algorithms are described, and the efficacy of genetic algorithms as a learning algorithm for a feedforward neural network is also investigated.