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: 1 نویسندگان: Martin Hänggi, George S. Moschytz (auth.), Martin Hänggi, George S. Moschytz (eds.) سری: ISBN (شابک) : 9781441949882, 9781475732207 ناشر: Springer US سال نشر: 2000 تعداد صفحات: 154 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب شبکه های عصبی سلولی: تجزیه و تحلیل، طراحی و بهینه سازی: مدارها و سیستم ها، مهندسی برق، فیزیک آماری، سیستم های دینامیکی و پیچیدگی، مهندسی به کمک کامپیوتر (CAD، CAE) و طراحی
در صورت تبدیل فایل کتاب Cellular Neural Networks: Analysis, Design and Optimization 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 شبکه های عصبی سلولی: تجزیه و تحلیل، طراحی و بهینه سازی 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.
شبکههای عصبی سلولی (CNN) یک کلاس از آرایههای غیرخطی، تکراری
و محلی از سلولهای دینامیکی یکسان را تشکیل میدهند که به صورت
موازی کار میکنند. تراشههای ANALOG برای استفاده در
برنامههایی که پردازش سیگنال پیچیده در مصرف انرژی کم مورد
نیاز است، توسعه مییابند.
پردازش سیگنال از طریق CNN تنها در صورتی کارآمد می شود که شبکه
در سخت افزار آنالوگ پیاده سازی شود. با توجه به محدودیتهای
فیزیکی که اجرای آنالوگ مستلزم آن است، عملکرد قوی یک تراشه CNN
با توجه به تغییرات پارامتر باید بیمه شود. تا حد زیادی نمی
توان تمام وظایف ریاضی CNN را به طور قابل اعتماد بر روی یک
تراشه آنالوگ انجام داد. برخی از آنها ذاتا بیش از حد حساس
هستند. این کتاب یک معیار استحکام را برای تعیین کمیت درجه
استحکام تعریف میکند و یک روش طراحی تحلیلی دقیق و مستقیم برای
سنتز پارامترهای شبکه بهینه قوی پیشنهاد میکند. این روش بر
اساس یک تکنیک مرکز طراحی است که به طور کلی در مواردی که
محدودیتهای خطی باید به روشی بهینه برآورده شوند، قابل استفاده
است.
سرعت پردازش همیشه هنگام بحث در مورد دستگاه های پردازش سیگنال
بسیار مهم است. در مورد CNN، نشان داده شده است که زمان تنظیم
را می توان در عبارات تحلیلی بسته مشخص کرد، که از یک سو، بهینه
سازی پارامترها را با توجه به سرعت و از سوی دیگر، ادغام عددی
کارآمد CNN ها را امکان پذیر می کند. وابستگی متقابل بین مسائل
استحکام و سرعت نیز مورد توجه قرار گرفته است. هدف دیگری که
دنبال می شود، یکسان سازی نظریه سیستم های زمان پیوسته و زمان
گسسته است. با استفاده از رویکرد اپراتور دلتا، ثابت شده است که
پارامترهای شبکه یکسان را می توان برای هر دو این کلاس ها
استفاده کرد، حتی اگر توابع خروجی غیر خطی آنها متفاوت
باشد.
مسائل پیچیده تر بهینه سازی CNN که به صورت تحلیلی قابل حل
نیستند، نیازمند توسل به روش های عددی هستند. در این میان،
تکنیکهای بهینهسازی تصادفی مانند الگوریتمهای ژنتیک سودمندی
خود را ثابت میکنند، برای مثال در مسائل طبقهبندی تصویر. از
زمان آغاز به کار CNN، مشکل یافتن پارامترهای شبکه برای یک کار
مورد نظر به عنوان یک مشکل یادگیری یا آموزش در نظر گرفته شده
است و روش های محاسباتی پرهزینه مشتق شده از شبکه های عصبی
استاندارد به کار گرفته شده است. علاوه بر این، مجموعه
پارامترهای مفید متعددی توسط شهود به دست آمده است.
در این کتاب یک روش طراحی تحلیلی مستقیم و دقیق برای پارامترهای
شبکه ارائه شده است. این رویکرد راهحلهایی را ارائه میدهد که
با توجه به استحکام، جنبهای که برای اجرای موفقیتآمیز
سختافزار آنالوگ CNN که اغلب نادیده گرفته میشود، حیاتی
است.
`این اثر به زیبایی گرد نتایج جالب و مفید
بسیاری را هم برای نظریه پردازان CNN و هم برای طراحان مدار
ارائه می دهد.
لئون او. چوا
Cellular Neural Networks (CNNs) constitute a class of
nonlinear, recurrent and locally coupled arrays of identical
dynamical cells that operate in parallel. ANALOG chips are
being developed for use in applications where sophisticated
signal processing at low power consumption is required.
Signal processing via CNNs only becomes efficient if the
network is implemented in analog hardware. In view of the
physical limitations that analog implementations entail,
robust operation of a CNN chip with respect to parameter
variations has to be insured. By far not all mathematically
possible CNN tasks can be carried out reliably on an analog
chip; some of them are inherently too sensitive. This book
defines a robustness measure to quantify the degree of
robustness and proposes an exact and direct analytical design
method for the synthesis of optimally robust network
parameters. The method is based on a design centering
technique which is generally applicable where linear
constraints have to be satisfied in an optimum way.
Processing speed is always crucial when discussing
signal-processing devices. In the case of the CNN, it is
shown that the setting time can be specified in closed
analytical expressions, which permits, on the one hand,
parameter optimization with respect to speed and, on the
other hand, efficient numerical integration of CNNs.
Interdependence between robustness and speed issues are also
addressed. Another goal pursued is the unification of the
theory of continuous-time and discrete-time systems. By means
of a delta-operator approach, it is proven that the same
network parameters can be used for both of these classes,
even if their nonlinear output functions differ.
More complex CNN optimization problems that cannot be solved
analytically necessitate resorting to numerical methods.
Among these, stochastic optimization techniques such as
genetic algorithms prove their usefulness, for example in
image classification problems. Since the inception of the
CNN, the problem of finding the network parameters for a
desired task has been regarded as a learning or training
problem, and computationally expensive methods derived from
standard neural networks have been applied. Furthermore,
numerous useful parameter sets have been derived by
intuition.
In this book, a direct and exact analytical design method for
the network parameters is presented. The approach yields
solutions which are optimum with respect to robustness, an
aspect which is crucial for successful implementation of the
analog CNN hardware that has often been neglected.
`This beautifully rounded work provides many
interesting and useful results, for both CNN theorists and
circuit designers.'
Leon O. Chua
Front Matter....Pages i-xi
Introduction....Pages 1-10
Locally Regular CNNS....Pages 11-21
Robust Template Design....Pages 23-46
CNN Settling Time....Pages 47-81
Unification of Continuous- and Discrete-Time CNNS....Pages 83-100
Stochastic Optimization....Pages 101-125
Conclusions....Pages 127-128
Back Matter....Pages 129-148