Complex-Valued Neural Networks. Advances and Applications

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Hirose A. (Ed.)  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 303 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت 

قیمت کتاب (تومان) : 37,000

Издательство IEEE/John Wiley, 2013, -303 pp. شبکه های عصبی با ارزش پیچیده (CVNN) همچنان درها را به روی برنامه های مختلف جدید باز کرده اند. CVNN ها شبکه های عصبی هستند که با دامنه پیچیده، یعنی سیگنال دارای فاز و دامنه سروکار دارند که یکی از اصلی ترین مفاهیم در علم و فناوری، به ویژه در مهندسی برق و الکترونیک است. یک CVNN معادل یک شبکه عصبی با ارزش واقعی دو بعدی نیست. دارای پویایی ها و ویژگی های مختلفی مانند تعمیم است که به طور قابل توجهی در درمان اطلاعات با دامنه پیچیده و پدیده های مرتبط با امواج مفید است. این یک نقطه حیاتی در برنامه های کاربردی در زمینه های مهندسی است. همچنین برای توسعه دستگاه های جدید در آینده بسیار مهم است. یعنی چارچوب CVNN نقش مهمی در معرفی یادگیری و خودسازماندهی به دستگاه‌های کوانتومی آینده که با امواج الکترونی و امواج فوتونیکی سروکار دارند، ایفا خواهد کرد. به ترتیب در جهات منحصر به فرد زمین. Quatemion در گرافیک کامپیوتری برای ارائه اجسام متحرک سه بعدی ضروری است. هنگامی که یادگیری و خودسازماندهی را در واقعیت های مجازی و امکانات به کمک رایانه معرفی می کنیم، شبکه های عصبی quatemion مطمئناً پایه اساسی مهمی را به ارمغان خواهند آورد. CVNN ها ممکن است حتی در تحلیل و مدل سازی فیزیولوژیکی مفید باشند، جایی که محققان پیشنهاد می کنند، برای مثال، اطلاعات فاز زمان شلیک نورون در برابر موج تتا در الکتروانسفالوگرافی دارای یک رابطه نزدیک با حافظه موقعیت کوتاه مدت در مغز است. زمینه‌های کاربردی و شایستگی‌های اساسی
یادگیری سیستم عصبی بر روی منیفولدهای با ارزش پیچیده
نرون بردار بعدی N و مسئله برابری کاربرد آن در بیت N
الگوریتم‌های یادگیری در شبکه‌های عصبی با ارزش پیچیده با استفاده از حساب ویرتینگر
شبکه‌های عصبی کواترنیونیک برای خاطرات انجمنی
مدل‌های شبکه‌های عصبی کلیفورد تکراری و دینامیک آنها
شبکه آرامش‌بخش با ارزش مجتمع فراشناختی و الگوریتم یادگیری متوالی
شبکه عصبی پیشخور چند لایه با نورون های چند ارزشی برای رابط مغز و کامپیوتر
شبکه های عصبی B-Spline با ارزش پیچیده برای مدل سازی و معکوس سیستم های وینر
شبکه عصبی فازی کواترنیونیک برای مشاهده تشخیص تصویر چهره با رنگ ثابت

Издательство IEEE/John Wiley, 2013, -303 pp. Complex-valued neural networks (CVNNs) have continued to open doors to various new applications. The CVNNs are the neural networks that deal with complex amplitude, i.e. signal having phase and amplitude, which is one of the most core concepts in science and technology, in particular in electrical and electronic engineering. A CVNN is not equivalent to a double-dimensional real-valued neural network. It has different dynamics and characteristics such as generalization, which is significantly useful in treatment of complex-amplitude information and wave-related phenomena. This is a critical point in applications in engineering fields. It is also crucial for developing new devices in the future. That is, the CVNN framework will play an important role in introduction of learning and self-organization into future quantum devices dealing with electron waves and photonic waves.
We can further expect that broad-sense CVNNs such as quatemion neural networks break ground in unique directions respectively. Quatemion has been essential in computer graphics to render three-dimensional moving objects. When we introduce learning and self-organization in virtual realities and computer-aided amenities, quatemion neural networks will surely bring an important fundamental basis. CVNNs may be useful even in physiological analysis and modeling where the researchers suggest, for example, that the phase information of neuron firing timing against the theta wave in electroencephalography possesses a close relationship to short-term position memory in the brain. Application Fields and Fundamental Merits
Neural System Learning on Complex-Valued Manifolds
N -Dimensional Vector Neuron and Parity Problem Its Application to the N -Bit
Learning Algorithms in Complex-Valued Neural Networks using Wirtinger Calculus
Quaternionic Neural Networks for Associative Memories
Models of Recurrent Clifford Neural Networks and Their Dynamics
Meta-cognitive Complex-valued Relaxation Network and its Sequential Learning Algorithm
Multilayer Feedforward Neural Network with Multi-Valued Neurons for Brain-Computer Interfacing
Complex-Valued B-Spline Neural Networks for Modeling and Inverse of Wiener Systems
Quaternionic Fuzzy Neural Network for View-invariant Color Face Image Recognition