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: Clark Jeffries (auth.), Clark Jeffries (eds.) سری: Mathematical Modeling 7 ISBN (شابک) : 9781461278368, 9781461232162 ناشر: Birkhäuser Boston سال نشر: 1991 تعداد صفحات: 175 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 9 مگابایت
کلمات کلیدی مربوط به کتاب تشخیص کد و انتخاب مجموعه با شبکه های عصبی: منطق و مبانی ریاضی، مدل سازی ریاضی و ریاضیات صنعتی، علوم و مهندسی محاسبات، الگوریتم ها
در صورت تبدیل فایل کتاب Code Recognition and Set Selection with Neural Networks 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 تشخیص کد و انتخاب مجموعه با شبکه های عصبی 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.
0-رویکرد شبکه عصبی برای حل مسئله.- 0.1 تعریف شبکه عصبی.- 0.2 شبکه های عصبی به عنوان سیستم های پویا.- 0.3 مدل های افزودنی و مرتبه بالا.- 0.4 مثال.- 0.5 پیوند با علوم اعصاب.- 1-شبکه های عصبی به عنوان سیستم های پویا.- 1.1 مدل های شبکه عصبی عمومی.- 1.2 ویژگی های عمومی پویایی شبکه های عصبی.- 1.3 مسائل انتخاب مجموعه.- 1.4 مسیرهای ثابت غیرقابل اجرا.- 1.5 یکی دیگر از مشکلات انتخاب مجموعه.- 1.6 تنظیم شبکه های عصبی انتخابی با اغتشاش.7 یادگیری. .- مسائل و پاسخ ها.- 2-هایپرگراف ها و شبکه های عصبی.- 2.1 چند محصولی در مدل های شبکه عصبی.- 2.2 مسیرها، چرخه ها و ضرب کننده های ولترا.- 2.3 تابع کوهن-گروسبرگ.- 2.4 تابع بنیاد؟.- 2.5 فرمول بندی محصول تصویری شبکه های عصبی مرتبه بالا.- مشکلات و پاسخ ها.- 3-مدل حافظه.- 3.1 حافظه متراکم با شبکه های عصبی مرتبه بالا.- 3.2 مدل های شبکه عصبی مرتبه بالا.- 3.3 مدل حافظه.- 3.4 دینامیک مدل حافظه.- 3.5 مدل های حافظه اصلاح شده با استفاده از تابع پایه.- 3.6 مقایسه مدل حافظه و مدل هاپفیلد.- مشکلات و پاسخ ها.- 4-تشخیص کد، ارتباطات دیجیتال و تشخیص عمومی.- 4.1 تصحیح خطا برای کدهای باینری .- 4.2 تست های اضافی مدل حافظه به عنوان رمزگشا.- 4.3 تشخیص عمومی.- 4.4 اسکن در تشخیص تصویر.- 4.5 رمزگشایی شبکه عصبی تجاری.- مشکلات و پاسخ ها.- 5-شبکه های عصبی به عنوان سیستم های پویا.- 5.1 A -سیکل حد بعدی.- 5.2 سیم کشی.- 5.3 شبکه های عصبی با ترکیبی از چرخه های حدی و مسیرهای ثابت.- مسائل و پاسخ ها.- 6-حل مسائل تحقیق در عملیات با شبکه های عصبی.- 6.1 انتخاب ماتریس های جایگشت با شبکه های عصبی.-2.- . بهینه سازی در مدل انتخاب ماتریس جایگشت اصلاح شده.- 6.3 مسئله تخصیص درجه دوم.- ضمیمه الف- مقدمه ای بر سیستم های دینامیکی.- الف.1 عناصر سیستم های دینامیکی دوبعدی.- الف.2 عناصر سیستم های دینامیکی n بعدی. - الف.3 رابطه بین تفاوت و معادلات دیفرانسیل.- الف.4 مفهوم پایداری.- الف.5 چرخه حدی.- الف.6 نظریه لیاپانوف.- الف.7 قضیه خطی سازی.- الف.8 ثبات سیستم های خطی.- پیوست ب-شبیه سازی سیستم های دینامیکی با صفحات گسترده.- مراجع.- فهرست کلمات کلیدی.- اپیلوگ.
0-The Neural Network Approach to Problem Solving.- 0.1 Defining a Neural Network.- 0.2 Neural Networks as Dynamical Systems.- 0.3 Additive and High Order Models.- 0.4 Examples.- 0.5 The Link with Neuroscience.- 1-Neural Networks as Dynamical Systems.- 1.1 General Neural Network Models.- 1.2 General Features of Neural Network Dynamics.- 1.3 Set Selection Problems.- 1.4 Infeasible Constant Trajectories.- 1.5 Another Set Selection Problem.- 1.6 Set Selection Neural Networks with Perturbations.- 1.7 Learning.- Problems and Answers.- 2-Hypergraphs and Neural Networks.- 2.1 Multiproducts in Neural Network Models.- 2.2 Paths, Cycles, and Volterra Multipliers.- 2.3 The Cohen-Grossberg Function.- 2.4 The Foundation Function ?.- 2.5 The Image Product Formulation of High Order Neural Networks.- Problems and Answers.- 3-The Memory Model.- 3.1 Dense Memory with High Order Neural Networks.- 3.2 High Order Neural Network Models.- 3.3 The Memory Model.- 3.4 Dynamics of the Memory Model.- 3.5 Modified Memory Models Using the Foundation Function.- 3.6 Comparison of the Memory Model and the Hopfield Model.- Problems and Answers.- 4-Code Recognition, Digital Communications, and General Recognition.- 4.1 Error Correction for Binary Codes.- 4.2 Additional Tests of the Memory Model as a Decoder.- 4.3 General Recognition.- 4.4 Scanning in Image Recognition.- 4.5 Commercial Neural Network Decoding.- Problems and Answers.- 5-Neural Networks as Dynamical Systems.- 5.1 A Two-Dimensional Limit Cycle.- 5.2 Wiring.- 5.3 Neural Networks with a Mixture of Limit Cycles and Constant Trajectories.- Problems and Answers.- 6-Solving Operations Research Problems with Neural Networks.- 6.1 Selecting Permutation Matrices with Neural Networks.- 6.2 Optimization in a Modified Permutation Matrix Selection Model.- 6.3 The Quadratic Assignment Problem.- Appendix A-An Introduction to Dynamical Systems.- A.1 Elements of Two-Dimensional Dynamical Systems.- A.2 Elements of n-Dimensional Dynamical Systems.- A.3 The Relation Between Difference and Differential Equations.- A.4 The Concept of Stability.- A.5 Limit Cycles.- A.6 Lyapunov Theory.- A.7 The Linearization Theorem.- A.8 The Stability of Linear Systems.- Appendix B-Simulation of Dynamical Systems with Spreadsheets.- References.- Index of Key Words.- Epilog.
Front Matter....Pages i-viii
The Neural Network Approach to Problem Solving....Pages 1-8
Neural Networks as Dynamical Systems....Pages 9-32
Hypergraphs and Neural Networks....Pages 33-52
The Memory Model....Pages 53-81
Code Recognition, Digital Communications, and General Recognition....Pages 82-101
Memory Models with Limit Cycles as Attractors....Pages 102-117
Solving Operations Research Problems with Neural Networks....Pages 118-128
Back Matter....Pages 129-166